互聯(lián)網(wǎng)相關(guān)技術(shù)的突破為信息傳輸、實(shí)時(shí)通訊帶來(lái)極大的便利,同時(shí)日益增多的數(shù)據(jù)量也成為了在有效的時(shí)間內(nèi)檢索到有用信息的阻礙,引發(fā)“信息過(guò)載”的問(wèn)題。推薦系統(tǒng)憑借強(qiáng)大的數(shù)據(jù)過(guò)濾能力與能夠?yàn)橛脩?hù)提供個(gè)性化信息推送服務(wù)的智能性逐漸成為新網(wǎng)絡(luò)時(shí)代熱門(mén)技術(shù),但是推薦系統(tǒng)中仍然存在著冷啟動(dòng)、概念漂移等缺陷,是推薦領(lǐng)域中需要解決的新挑戰(zhàn)。本文基于用戶(hù)的特征研究對(duì)推薦算法中的問(wèn)題加以?xún)?yōu)化。通過(guò)研究已有推薦系統(tǒng)的優(yōu)勢(shì)和缺陷,針對(duì)上述問(wèn)題提出不同解決方案。本文的創(chuàng)新與貢獻(xiàn)為以下內(nèi)容:首先本文分析了推薦過(guò)程中產(chǎn)生的用戶(hù)興趣漂移問(wèn)題,用戶(hù)興趣狀態(tài)隨著外部環(huán)境中隱式條件的變化而發(fā)生偏移。外部條件的變化很難被捕捉,但是它改變的用戶(hù)狀態(tài)可以通過(guò)用戶(hù)行為體現(xiàn)出來(lái)。因此本文通過(guò)對(duì)用戶(hù)動(dòng)態(tài)行為的分析,在用戶(hù)對(duì)項(xiàng)目產(chǎn)生的行為記錄中加入時(shí)間特性的概念,提出基于用戶(hù)評(píng)分行為時(shí)間序列的推薦方案UTBCF算法,對(duì)時(shí)間權(quán)重公式提出改進(jìn)優(yōu)化。并在MovieLens-100k數(shù)據(jù)集上驗(yàn)證其算法的有效性,實(shí)驗(yàn)證明優(yōu)化后的算法相比于原算法有著更好的推薦質(zhì)量。其次通過(guò)對(duì)用戶(hù)的靜態(tài)畫(huà)像分析,提出基于用戶(hù)靜態(tài)特征的推薦算法USFBF并改進(jìn)了用戶(hù)相似度... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

百度網(wǎng)站廣告

第二章推薦系統(tǒng)技術(shù)相關(guān)介紹7第二章推薦系統(tǒng)技術(shù)相關(guān)介紹2.1引言推薦系統(tǒng)是向用戶(hù)提供個(gè)性化信息服務(wù)的工具，其中關(guān)鍵的核心部分在于推薦算法的實(shí)現(xiàn)。推薦系統(tǒng)查找目標(biāo)項(xiàng)目所選擇策略區(qū)分了不同的的推薦算法。在推薦領(lǐng)域中比較主流的算法種類(lèi)分為三種[26]：基于內(nèi)容過(guò)濾的推薦算法、基于協(xié)同過(guò)濾的推薦算法和基于組合的推薦算法，如圖2-1所示。本章內(nèi)容將概述了多種推薦算法的實(shí)現(xiàn)方式以及它們的優(yōu)勢(shì)和缺陷。圖2-1主流的推薦算法分分類(lèi)2.2推薦算法技術(shù)介紹2.2.1基于內(nèi)容的推薦算法基于內(nèi)容的過(guò)濾推薦算法[27]（Content-basedfiltering，簡(jiǎn)稱(chēng)CBF）是信息過(guò)濾技術(shù)的延續(xù)發(fā)展，將信息檢索領(lǐng)域的理論用于對(duì)項(xiàng)目?jī)?nèi)容的挖掘與模型建立。CBF的推薦策略是基于推薦項(xiàng)目的內(nèi)容層面。通過(guò)分析項(xiàng)目相關(guān)信息、用戶(hù)相關(guān)信息及用戶(hù)對(duì)項(xiàng)目的操作行為等數(shù)據(jù)之間的聯(lián)系來(lái)訓(xùn)練出用戶(hù)相關(guān)興趣模型。項(xiàng)

電子科技大學(xué)碩士學(xué)位論文8目相關(guān)信息是用于描述項(xiàng)目個(gè)體內(nèi)容的標(biāo)簽分類(lèi)、用戶(hù)的評(píng)論、人工標(biāo)注序號(hào)的信息等。用戶(hù)相關(guān)信息是指相關(guān)靜態(tài)畫(huà)像信息，比如身份、職業(yè)、年齡、性別等。而用戶(hù)對(duì)物品的操作行為可以是轉(zhuǎn)發(fā)、點(diǎn)贊、評(píng)論、點(diǎn)擊訪問(wèn)過(guò)等。CBF的策略如下圖2-2所示，通過(guò)用戶(hù)信息與用戶(hù)行為建立用戶(hù)與項(xiàng)目之間的關(guān)聯(lián)，一般常使用的方法是記錄下用戶(hù)偏好的項(xiàng)目作為用戶(hù)興趣模型的特征表示，表示用戶(hù)更傾向于的項(xiàng)目范圍。分析待推薦項(xiàng)目與用戶(hù)行為歷史記錄在內(nèi)容上的相似性聯(lián)系，將用戶(hù)未知項(xiàng)目中滿足與用戶(hù)興趣相符合的內(nèi)容推薦給用戶(hù)。圖2-2CBF的策略CBF算法主要分為三個(gè)步驟：基于用戶(hù)信息，用戶(hù)操作行為構(gòu)建用戶(hù)特征表示、基于物品信息構(gòu)建物品特征表示、基于用戶(hù)和物品特征表示為用戶(hù)推薦物品。他們之間的關(guān)系如下圖2-3所示。首先建立用戶(hù)特征表示與物品特征表示，將兩者成功的匹配推薦給用戶(hù)。圖2-3CBF的推薦流程關(guān)鍵的部分是如何提取物品的特征表示和如何進(jìn)行推薦，用戶(hù)特征的構(gòu)建與

【參考文獻(xiàn)】：
期刊論文
[1]個(gè)性化推薦系統(tǒng)綜述[J]. 張宇航,姚文娟,姜姍.  價(jià)值工程. 2020(02)
[2]推薦系統(tǒng)研究綜述[J]. 周萬(wàn)珍,曹迪,許云峰,劉濱.  河北科技大學(xué)學(xué)報(bào). 2020(01)
[3]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[4]基于改進(jìn)的Jaccard系數(shù)文檔相似度計(jì)算方法[J]. 俞婷婷,徐彭娜,江育娥,林劼.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(12)
[5]基于時(shí)間衰減的協(xié)同過(guò)濾推薦算法[J]. 董立巖,王越群,賀嘉楠,孫銘會(huì),李永麗.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2017(04)
[6]協(xié)同過(guò)濾推薦算法比較研究[J]. 周泓宇,梁剛,楊進(jìn).  現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版). 2016(07)
[7]基于用戶(hù)興趣-標(biāo)簽的混合推薦方法研究[J]. 李興華,陳冬林,楊?lèi)?ài)民,李偉.  情報(bào)學(xué)報(bào). 2015 (05)
[8]推薦系統(tǒng)研究進(jìn)展[J]. 朱揚(yáng)勇,孫婧.  計(jì)算機(jī)科學(xué)與探索. 2015(05)
[9]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)
[10]推薦系統(tǒng)中的冷啟動(dòng)問(wèn)題研究綜述[J]. 孫冬婷,何濤,張福海.  計(jì)算機(jī)與現(xiàn)代化. 2012(05)

博士論文
[1]推薦系統(tǒng)關(guān)鍵技術(shù)研究[D]. 任磊.華東師范大學(xué) 2012
[2]協(xié)同過(guò)濾系統(tǒng)的稀疏性與冷啟動(dòng)問(wèn)題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]百度信息流廣告的優(yōu)勢(shì)及投放策略研究[D]. 孟琴.安徽大學(xué) 2018



本文編號(hào)：3209873