推薦系統(tǒng)能夠快速地為用戶推薦感興趣的內(nèi)容,這一功能的實(shí)現(xiàn)得益于眾多成熟的算法。其中,協(xié)同過(guò)濾算法是目前應(yīng)用最為普遍的技術(shù),相似性的度量又是影響其性能的關(guān)鍵因素之一。現(xiàn)有的相似性度量方法大多建立在挖掘用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)的基礎(chǔ)上,而用戶的屬性、上下文和歷史行為等信息并沒(méi)有得到充分利用。實(shí)際上,這些信息對(duì)用戶的喜好起著不可忽視的作用。在計(jì)算用戶之間的相似性時(shí),考慮更多影響用戶偏好的因素,能夠提高度量的精確性,從而提升推薦質(zhì)量。本文主要貢獻(xiàn)如下:（1）首先,本文介紹了一種基于用戶評(píng)分差值的相似性度量方法。該方法對(duì)評(píng)分差值設(shè)置不同的權(quán)重參數(shù)來(lái)計(jì)算相似性。當(dāng)數(shù)據(jù)較為稀疏時(shí),這種方法的準(zhǔn)確性較低。于是,在此基礎(chǔ)上,提出了融合用戶上下文信息的相似性度量方法。將上下文信息加入到相似性度量公式中,增加了相似度計(jì)算的特征維度。該方法在提高了推薦系統(tǒng)性能的同時(shí),也一定程度上緩解了推薦系統(tǒng)中數(shù)據(jù)稀疏的問(wèn)題。（2）其次,本文在融合用戶上下文信息的相似性度量方法的基礎(chǔ)上進(jìn)一步優(yōu)化,提出了融合用戶上下文信息和時(shí)序信息的相似性度量方法。引入時(shí)序信息是為了建立用戶前后行為之間的關(guān)聯(lián),學(xué)習(xí)用戶喜好的變化情況,增加模型的特征... 

【文章來(lái)源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于人口統(tǒng)計(jì)學(xué)的推薦算法原理

華東師范大學(xué)碩士學(xué)位論文步驟 3 為目標(biāo)用戶推薦與其相似的用戶所喜歡的項(xiàng)目。2 基于內(nèi)容的推薦算法基于內(nèi)容的推薦依據(jù)用戶以往交互項(xiàng)目的特征，分析用戶的喜好和需求，構(gòu)建偏好標(biāo)簽，在候選項(xiàng)目集中尋找與目標(biāo)用戶已選擇項(xiàng)目相似的物品，推薦列表。以淘寶為例的電商平臺(tái)，通常會(huì)設(shè)置“猜你喜歡”的功能模塊。功能的實(shí)現(xiàn)就是依賴(lài)于基于內(nèi)容的推薦算法，利用消費(fèi)者的瀏覽、搜索、和購(gòu)買(mǎi)等信息，在用戶下次登錄時(shí)，為用戶推送一系列可能感興趣的物品。以電影推薦系統(tǒng)為例，基于內(nèi)容的推薦算法的基本原理如圖 2-2 所示：

華東師范大學(xué)碩士學(xué)位論文 生成推薦列表（recommendation generation）：計(jì)算用戶相關(guān)性，將相關(guān)程度最大的一組項(xiàng)目推薦給用戶。于內(nèi)容的推薦以用戶歷史選擇的項(xiàng)目作為參考，因此系似的項(xiàng)目，導(dǎo)致推薦結(jié)果往往過(guò)于單一。過(guò)濾推薦算法濾推薦大致可分為基于內(nèi)存和基于模型的協(xié)同過(guò)濾。其用戶和基于項(xiàng)目的協(xié)同過(guò)濾。內(nèi)存的協(xié)同過(guò)濾算法存的協(xié)同過(guò)濾算法的一般流程如圖 2-3 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于耦合相似度的矩陣分解推薦方法[J]. 郭夢(mèng)嬌,孫勁光,孟祥福.  計(jì)算機(jī)科學(xué). 2016(04)
[2]協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識(shí)別與人工智能. 2014(08)
[3]基于時(shí)序行為的協(xié)同過(guò)濾推薦算法[J]. 孫光福,吳樂(lè),劉淇,朱琛,陳恩紅.  軟件學(xué)報(bào). 2013(11)
[4]基于網(wǎng)絡(luò)和標(biāo)簽的混合推薦算法[J]. 張新猛,蔣盛益,李霞,張倩生.  計(jì)算機(jī)工程與應(yīng)用. 2015(01)
[5]上下文感知推薦系統(tǒng)[J]. 王立才,孟祥武,張玉潔.  軟件學(xué)報(bào). 2012(01)



本文編號(hào)：2951198