推薦系統(tǒng)的用戶反饋包含顯示反饋和隱式反饋,顯示反饋通常是指用戶對(duì)物品的數(shù)值評(píng)分,而隱式反饋通常是以二元形式描述的用戶對(duì)物品的交互行為。由于在實(shí)際的應(yīng)用場(chǎng)景下顯示反饋難以獲取,因此推薦系統(tǒng)需要利用易于獲取的隱式反饋學(xué)習(xí)用戶的偏好。由于隱式反饋數(shù)據(jù)具有高度稀疏性,采用基于評(píng)分的方法估計(jì)用戶對(duì)物品的數(shù)值評(píng)分難以獲得好的效果,而采用基于排序的方法通過估計(jì)用戶對(duì)物品的相對(duì)偏好可以避免隱式反饋數(shù)據(jù)的稀疏性。近年來,社交網(wǎng)絡(luò)被引入推薦系統(tǒng)用于提升推薦的準(zhǔn)確率,由于社交網(wǎng)絡(luò)中的朋友間通常具有相似的愛好,因此可以利用用戶的朋友的偏好來估計(jì)用戶自己的偏好�，F(xiàn)有的社交推薦方法只考慮了用戶在社交網(wǎng)絡(luò)中直接朋友,而沒有考慮用戶間的影響在社交網(wǎng)絡(luò)中的傳播過程。因此現(xiàn)有方法無法充分利用社交網(wǎng)絡(luò)的圖結(jié)構(gòu)信息,限制了其推薦的準(zhǔn)確率。針對(duì)現(xiàn)有方法的不足之處,提出一種社交距離感知貝葉斯個(gè)性化排序推薦算法（Social Distance-aware Bayesian Personalized Ranking,SDBPR）,其核心思想是采用直接對(duì)用戶的物品偏好排序進(jìn)行建模的方式避免隱式反饋數(shù)據(jù)的稀疏性,并通過考慮任意兩個(gè)多步距... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

搜索引擎工作流程

圖 1-2 推薦系統(tǒng)工作流程統(tǒng)在人們的日常生活中非常流行并且已經(jīng)被許azon 在用戶在線購物時(shí)為用戶推薦其可能感興薦其可能喜愛的視頻[2]。這些推薦系統(tǒng)的存在一，另一方面也提升了企業(yè)的收益。由于推薦系統(tǒng)學(xué)界的大量研究人員投身于此，使得這個(gè)領(lǐng)域在個(gè)性化是推薦系統(tǒng)存在的兩種不同形式，前者會(huì)，而后者對(duì)所有用戶都會(huì)生成相同的推薦結(jié)果。法比較簡(jiǎn)單，典型的方案是計(jì)算每種物品在全迎程度最高的物品推薦給所有用戶。相比較而言類較多且形式復(fù)雜，其推薦效果優(yōu)于比非個(gè)性化泛，現(xiàn)有的關(guān)于推薦系統(tǒng)的研究大部分都關(guān)注于

模型用于解決推薦所面臨的瓶頸。推薦問題的定義際的推薦系統(tǒng)通�？煞譃槎鄠�(gè)模塊，各個(gè)模塊分別負(fù)責(zé)不同的職責(zé)[44]系統(tǒng)基本架構(gòu)如圖 2-1 所示，其中主要包括用戶信息采集模塊、物品信用戶行為記錄模塊、推薦算法模塊。用戶信息采集模塊用于記錄系統(tǒng)中息，如果推薦系統(tǒng)中包含社交網(wǎng)絡(luò)的話，那么用戶在社交網(wǎng)絡(luò)中的信息息采集模塊所記錄，物品信息采集模塊記錄物品的基本信息，用戶行為用戶在系統(tǒng)中的各種行為。推薦算法模塊是推薦系統(tǒng)最重要的一個(gè)模塊上決定了最終的推薦性能。推薦算法所需要的數(shù)據(jù)包括其他三個(gè)模塊，通過這些數(shù)據(jù)學(xué)習(xí)用戶對(duì)物品的偏好情況，然后為系統(tǒng)中的用戶推薦的物品。


本文編號(hào)：3321028