基于上下文和基于標(biāo)簽相關(guān)性的推薦就是利用上下文和標(biāo)簽預(yù)測(cè)用戶(hù)下一個(gè)感興趣的物品。隨著信息技術(shù)趨于成熟,用戶(hù)的屬性標(biāo)簽、時(shí)間上下文、評(píng)分、評(píng)價(jià)、物品特征標(biāo)簽等多種類(lèi)型的數(shù)據(jù)信息越來(lái)越容易被獲取。那么,如何有效融合已經(jīng)獲取的上下文和標(biāo)簽信息來(lái)挖掘用戶(hù)偏好軌跡和預(yù)測(cè)用戶(hù)偏好顯得尤為重要,也成為推薦系統(tǒng)的熱門(mén)研究方向。目前,基于上下文推薦算法和基于標(biāo)簽推薦算法的研究都取得了一定進(jìn)展,但也存在一些問(wèn)題:首先,推薦結(jié)果在追求提高精確率的時(shí)候,常常會(huì)忽略用戶(hù)興趣的多樣性,易使推薦結(jié)果同質(zhì)化;其次,雖然已經(jīng)注意到了時(shí)間信息帶來(lái)的影響,但是沒(méi)能充分考慮時(shí)間間隔的因素,影響了推薦結(jié)果的準(zhǔn)確率。最后,用戶(hù)評(píng)分?jǐn)?shù)據(jù)非常稀疏,稀疏程度甚至高達(dá)90%以上,這種僅依靠極少評(píng)分?jǐn)?shù)據(jù)的推薦降低了其有效性。針對(duì)上述存在的問(wèn)題,本文將影響推薦效果的時(shí)間上下文以及標(biāo)簽相關(guān)性進(jìn)行恰當(dāng)?shù)娜诤?提出了相應(yīng)的新的推薦算法,從而提高推薦效果。(1)著眼于標(biāo)簽信息和時(shí)間信息,來(lái)緩解“數(shù)據(jù)稀疏”問(wèn)題和提高推薦結(jié)果多樣化,本文做了如下改進(jìn):首先,從縱向上融合用戶(hù)屬性標(biāo)簽信息和評(píng)分信息來(lái)劃分用戶(hù)偏好,從橫向上結(jié)合項(xiàng)目特征標(biāo)簽信息來(lái)更精確地計(jì)算...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-5用戶(hù)評(píng)分行為偏向Figure2-5Ratingbehaviorbiasofuser

圖2-5用戶(hù)評(píng)分行為偏向Figure2-5Ratingbehaviorbiasofuser0.10.120.140.160.180.20.220.24123456相關(guān)程度間隔月數(shù)正面評(píng)價(jià)負(fù)面評(píng)價(jià)Movielens0.10.120.140.160.181....

圖2-7豆瓣電影網(wǎng)頁(yè)系統(tǒng)標(biāo)簽和自定義標(biāo)簽Figure2-7Systemtagsandcustomtagsof"doubanmovies"webpage

2相關(guān)知識(shí)是一種方便快捷的分類(lèi)工具。社會(huì)化標(biāo)簽融合了分類(lèi)和關(guān)鍵字的特點(diǎn)，對(duì)提高推薦結(jié)果的準(zhǔn)確度有很大的幫助。例如，目標(biāo)用戶(hù)具有標(biāo)簽[學(xué)生，高三，理科生]，在其瀏覽有關(guān)數(shù)學(xué)知識(shí)點(diǎn)的相關(guān)網(wǎng)站時(shí)，我們可以根據(jù)用戶(hù)屬性標(biāo)簽就可以推薦對(duì)應(yīng)的高三數(shù)學(xué)復(fù)習(xí)一本通等類(lèi)似資料。經(jīng)研究發(fā)現(xiàn)，社會(huì)化....

圖2-9LSTM模型基本結(jié)構(gòu)

在本文中第四節(jié)提出的新算法中，將用戶(hù)已有的全部標(biāo)簽信息作為主題文檔的全部語(yǔ)義信息，利用LDA學(xué)習(xí)每個(gè)標(biāo)簽與主題之間的交互作用，或者可以理解為在當(dāng)前的主題下，該標(biāo)簽的重要性。于是，在本文中將標(biāo)簽與主題交互作用作為注意力機(jī)制，將權(quán)重值進(jìn)行融入。因此本小節(jié)介紹這兩個(gè)方面的相關(guān)知識(shí)概....

本文編號(hào)：3962447