互聯(lián)網(wǎng)信息的爆炸式增長(zhǎng),造成了嚴(yán)重的“信息過(guò)載”的問(wèn)題,人們很難找到自己感興趣的信息,推薦系統(tǒng)應(yīng)運(yùn)而生,推薦系統(tǒng)通過(guò)給用戶推薦他不了解但可能會(huì)感興趣的內(nèi)容來(lái)幫助用戶獲取信息�，F(xiàn)今,推薦系統(tǒng)已經(jīng)廣泛應(yīng)用在電子商務(wù)、新聞資訊、社交網(wǎng)站與視頻音樂(lè)等領(lǐng)域。目前主流的推薦算法分為:基于協(xié)同過(guò)濾的推薦,基于內(nèi)容的推薦和混合算法推薦等。其中協(xié)同過(guò)濾因?yàn)槠洳恍枰I(lǐng)域知識(shí)與推薦自動(dòng)化程度高等優(yōu)點(diǎn)成為了工業(yè)界使用最廣泛的推薦算法,它通過(guò)應(yīng)用一組與目標(biāo)用戶興趣相似的近鄰,來(lái)給目標(biāo)用戶進(jìn)行評(píng)分的預(yù)測(cè)。在現(xiàn)實(shí)世界中,用戶在給物品做出評(píng)分時(shí)可能會(huì)受到三種因素的影響:物品本身質(zhì)量、用戶自己的記憶作用和用戶信任的社交好友對(duì)用戶評(píng)分的影響。為了剔除這種影響,分析用戶的真實(shí)偏好,找到與目標(biāo)用戶興趣更加相似的近鄰,從而提高推薦的準(zhǔn)確度,本文提出了一種基于用戶評(píng)分修正的協(xié)同過(guò)濾推薦算法。首先對(duì)比分析了現(xiàn)有物品質(zhì)量評(píng)估方法的不足,提出了基于貝葉斯估計(jì)的物品質(zhì)量評(píng)估方法。通過(guò)這種方法,我們不需要直接計(jì)算有限數(shù)量的估計(jì)值,取而代之的是計(jì)算出已知值的概率分布,然后利用這個(gè)概率分布來(lái)獲取估計(jì)值,有效緩解了因評(píng)分?jǐn)?shù)據(jù)不足而導(dǎo)致評(píng)估物品質(zhì)... 

【文章來(lái)源】：南京財(cái)經(jīng)大學(xué)江蘇省

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

近十年網(wǎng)民規(guī)模統(tǒng)計(jì)

南京財(cái)經(jīng)大學(xué)碩士學(xué)位論文春筍般涌現(xiàn)出來(lái)，不管是淘寶的商品推薦，網(wǎng)易云的音樂(lè)推薦，今日頭條的資訊推薦，攜程的出行推薦，豆瓣的電影推薦和騰訊的社交好友推薦都廣受好評(píng)。如今，人們的生活已經(jīng)離不開(kāi)推薦系統(tǒng)。推薦系統(tǒng)無(wú)處不在的便利著人們的生活，同時(shí)也刺激了消費(fèi)，有利于經(jīng)濟(jì)的發(fā)展。

在搜索引擎中找到自己所需要的信息。但是，搜索引擎在用戶不能準(zhǔn)確描述自己想要搜索的信息的關(guān)鍵詞時(shí)，就顯得無(wú)能為力了。推薦系統(tǒng)的發(fā)展源于一個(gè)很簡(jiǎn)單的現(xiàn)象：人們?cè)谧鋈粘９ぷ骱腿粘Q策時(shí)總是會(huì)去尋求他人的意見(jiàn)，這也是一個(gè)解決信息供求矛盾的有力工具。與搜索引擎不同，推薦系統(tǒng)通常不需要用戶提供搜索關(guān)鍵詞。推薦系統(tǒng)通過(guò)對(duì)用戶過(guò)去的歷史消費(fèi)記錄，為用戶建立相關(guān)興趣模型，并給用戶推薦他們可能會(huì)感興趣的物品。推薦系統(tǒng)可以更好的發(fā)掘物品的長(zhǎng)尾（long tail）[46]。暢銷商品往往代表了絕大多數(shù)用戶的消費(fèi)需求，如用戶衣食住行的必需品等。而長(zhǎng)尾商品經(jīng)常反映的是用戶的個(gè)性化需求，這部分商品更有助于理解用戶的興趣所在。推薦系統(tǒng)通過(guò)分析用戶的行為模式，消費(fèi)記錄，分析用戶的定制化需求，并推薦這部分難以被發(fā)掘的商品給用戶，幫助用戶發(fā)現(xiàn)他們感興趣但很難被發(fā)掘的商品，實(shí)現(xiàn)用戶和商家的共贏。圖 2.1 展示的是美團(tuán)點(diǎn)評(píng)的推薦系統(tǒng)整體架構(gòu)圖[47]，從上至下包括應(yīng)用場(chǎng)景層、推薦服務(wù)層、核心數(shù)據(jù)層和離線計(jì)算層，每層分工不同，共同構(gòu)成了美團(tuán)的推薦系統(tǒng)。推薦系統(tǒng)的本質(zhì)是通過(guò)一定的算法將用戶和物品聯(lián)系起來(lái)，聯(lián)系用戶和物品的常用信息包括：用戶的注冊(cè)信息、歷史興趣和用戶的社交信息等。

【參考文獻(xiàn)】：
期刊論文
[1]采用評(píng)論挖掘修正用戶評(píng)分的改進(jìn)協(xié)同過(guò)濾算法[J]. 王紅霞,陳健,程艷芬.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2019(03)
[2]融合評(píng)分矩陣與評(píng)論文本的商品推薦模型[J]. 李琳,劉錦行,孟祥福,蘇暢,李鑫,鐘珞.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[3]基于階段時(shí)序效應(yīng)的奇異值分解推薦模型[J]. 黃凱,張曦煌.  計(jì)算機(jī)應(yīng)用. 2017(05)
[4]一種基于信任關(guān)系隱含相似度的社會(huì)化推薦算法[J]. 潘一騰,何發(fā)智,于海平.  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[5]適應(yīng)用戶興趣變化的改進(jìn)型協(xié)同過(guò)濾算法[J]. 胡偉健,滕飛,李靈芳,王歡.  計(jì)算機(jī)應(yīng)用. 2016(08)
[6]基于話語(yǔ)標(biāo)記理論的在線商品評(píng)分修正方法[J]. 王偉軍,宋艷秋,張婷婷,黃英輝,陳博洋.  情報(bào)學(xué)報(bào). 2016 (04)
[7]基于用戶評(píng)分和評(píng)論信息的協(xié)同推薦框架[J]. 譚云志,張敏,劉奕群,馬少平.  模式識(shí)別與人工智能. 2016(04)
[8]基于小數(shù)據(jù)的在線用戶興趣長(zhǎng)程演化研究[J]. 李勇,孟小峰,劉繼,王常青.  計(jì)算機(jī)研究與發(fā)展. 2015(04)
[9]信任傳遞模型研究綜述[J]. 胡祥培,尹進(jìn).  東南大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2013(04)
[10]基于改進(jìn)D-S證據(jù)理論的信任評(píng)估模型[J]. 張琳,劉婧文,王汝傳,王海艷.  通信學(xué)報(bào). 2013(07)

碩士論文
[1]基于LDA主題模型的在線評(píng)論聚類分析與推薦[D]. 楊凡.大連理工大學(xué) 2018
[2]基于用戶評(píng)論的個(gè)性化產(chǎn)品推薦系統(tǒng)[D]. 劉英.北京郵電大學(xué) 2015



本文編號(hào)：3004996