隨著淘寶,蘑菇街,唯品會等時尚購物平臺的快速發(fā)展,雖然越來越多的服裝產(chǎn)品可供用戶選擇,但是信息超載的問題也隨之而來,用戶想要挑選到合適的服裝需要花費大量的時間和精力。現(xiàn)在,最廣泛使用的個性化推薦算法是協(xié)同過濾（Collaborative Filtering,CF）算法,該算法雖然已經(jīng)能夠產(chǎn)生很不錯的推薦效果,但是存在推薦精度不夠,覆蓋率低,不能充分挖掘用戶潛在興趣等問題,其次,基于用戶的協(xié)同過濾忽略了服裝產(chǎn)品本身的相關(guān)信息,例如服裝的視覺特征,屬性特征和服裝產(chǎn)品之間的搭配兼容性等問題。針對以上問題,本文主要研究工作如下:（1）針對服裝推薦方法存在推薦精度不夠,用戶潛在興趣挖掘不夠充分的問題,提出了一種改進的基于用戶對服裝屬性偏好的個性化推薦算法。首先構(gòu)建了深度卷積神經(jīng)網(wǎng)絡(luò),對服裝圖像內(nèi)容實現(xiàn)服裝屬性提取,在此基礎(chǔ)上,根據(jù)提取出的服裝屬性構(gòu)建用戶屬性向量,將基于用戶屬性偏好的相似度融合基于時間因子的用戶興趣偏好相似度構(gòu)建最終的用戶偏好模型。與基于用戶的協(xié)同過濾算法UCF,和基于項目的協(xié)同過濾算法ICF以及文獻[50]基于項目偏好的協(xié)同過濾UCSVD算法進行比較,UIACF算法的準(zhǔn)確率最大... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１基于用戶的協(xié)同過濾??用戶相似度的計算有三種方式，余弦相似度用目標(biāo)用戶和近鄰川戶向１的火??－

反饋數(shù)櫪１ｉｉ能反饋川戶的興趣偏好。根裾隱Ａ??反饋數(shù)據(jù)構(gòu)造的樣本的不同，排序?qū)W習(xí)包括單值排序、成對排序以及列表排序??類，木文對成對排序屯點進行丫介紹。??無論是采用單值和成對排序技術(shù)，還是采用列表等其他排序技術(shù)，均可以得??到一個推薦模型用于排序，其中／￡／，用戶集合和服裝集合分別??川（７和／表爾。ＩＩ丨以根據(jù)ＵＩ丨練好的模型／（？，／）得到排序后的服裝集合??｛ｉｐＶｉｐ，，．．．．．丨用ｆ?Ｈ標(biāo)用戶ｐ的待推薦列表。表示服裝在推薦列表中位于??第《個位置。排序?qū)W習(xí)推薦模型如圖２．２所示：??．〇??廣?＾??’ｖ？?，ｍ－＞?＾?＾??ｉｒｔｌｔｔ於Ｈ?物品集??Ｉ?／???＿▼?／?Ｖ?／■（／＞，?Ｖ１）??目標(biāo)用戶尸???－麵ｔｓ?—＾?Ｖ．????????”??圖２．２基于排序的推薦模型??單值排序方法假設(shè)己觀測過的服裝為正樣品，未觀測的服裝為負(fù)樣品，正樣??品的排名一般是高于負(fù)樣本的，然后對用戶服裝的二元組進行建模優(yōu)化用戶對服??裝的偏好。隱語義模型ＬＦＭ?（ＬａｔｅｎｔＦａｃｔｏｒＭｏｄｅｉｙ３５１是一種單值排序方法，該校??型是基于矩陣因式分解的方式，旨先是將刖戶一評分矩陣轉(zhuǎn)換力川戶和服裝叫??個隱含矩陣，然后計算用戶一評分矩陣中的缺失項。閣２．３中，通過分解川戶??服裝評分矩陣，得到用戶和服裝隱含特征矩陣，形式化地農(nóng)示為：??人．??匕＝尸，＞，尸＂＊＂＇＊??丨?２－（３）??１０??

浙江理工火學(xué)碩Ｉ：畢業(yè)論義?基于用戶偏好和圖像內(nèi)容的服裝個性化推薦研宄??■?哪?■讓麵ＢＳ匪??翻?■鼸＿＿６８＿麵畫??＿?＿?＿??？?￣?ｇ?Ｘ?＾??趣Ｉ?Ｂ?＾??鼸?Ｓ３?．?？??ｍ?ｈ??圖２．３?用戶一物品矩陣分解??公式２－（３）中，七及示用戶對服裝的預(yù)測評分，Ａ，灰示的是丨｜〗戶ｗ隱含特征??向量，表示的是用戶《的隱式特征在Ａ位置的值，％表示的是服裝／的隱含特??征Ｈ?Ｍ：，％表小的是服裝／的隱含特征在Ａ位賢的值。然后使用損失蚋數(shù)進行迭??代優(yōu)化。損失函數(shù)如公式２－（４），為用戶對服裝的實際評分（非預(yù)測評分），又??為１丨：則化參數(shù)。??—（Ｚ（ｒ＂，—七）：＋Ａ＂凡?ｉｉ：?ｕ：）??ｐ?？＇?０，，）??＝（ｒ？．－?Ｚ?Ｐ＾ｉｋ）２?＋?＾?ＩＩ?Ｐｕ?ｉｉ２?＋?＾?ＩＩ?Ｑ，?ｉｉ２）??ｐ?ｑ?（？．〇?２－（４）??單值排序：Ｋ要是根據(jù)單個物品的不同得分計算，沒有考慮用戶對物品偏好的??順序關(guān)系。而成對排序￣單值排序不同，這種模型是以樣本對之間的偏序關(guān)系??為棋準(zhǔn)，判斷物品對足古滿足（《，／）＞（？，刀又系，若滿足則表示兩個物品紺成??的物品對中，用戶《對物品／＇的偏好強于用戶《對物品７的偏好�；诖�，考??慮在矩陣分解過程中通過判斷不同用戶所輸入的多個樣本對間是否存／Ｉ：這種??偏序關(guān)系，以確定最終的排序后的推薦列表�；诔蓪ε判蚍椒ǖ耐埔坌Ｑ�??ＩＷＷ其實是將排序模型轉(zhuǎn)換為二元分類問題，輸入特征是用戶物品交／�。壕仃嚕�??輸出空間是用戶對成對服裝的傾向性，然后使用矩陣分解的思想擬合交陣．??從而得到使損失函數(shù)最優(yōu)的一組參數(shù)。圖２．４中展示

【參考文獻】：
期刊論文
[1]一種基于用戶播放行為序列的個性化視頻推薦策略[J]. 王娜,何曉明,劉志強,王文君,李霞.  計算機學(xué)報. 2020(01)
[2]基于評分矩陣與評論文本的深度推薦模型[J]. 馮興杰,曾云澤.  計算機學(xué)報. 2020(05)
[3]灰色關(guān)聯(lián)層次分析在服裝號型推薦中的應(yīng)用[J]. 周捷,李健.  毛紡科技. 2019(06)
[4]面向隱式反饋的標(biāo)簽感知推薦方法[J]. 李紅梅,刁興春,曹建軍,馮欽,張磊.  計算機科學(xué). 2019(04)
[5]人工智能中無監(jiān)督學(xué)習(xí)算法綜述[J]. 甘井中,楊秀蘭,呂潔,黃恒杰,肖磊.  海峽科技與產(chǎn)業(yè). 2019(01)
[6]加入用戶對項目屬性偏好的奇異值分解推薦算法[J]. 魏港明,劉真,李林峰,張猛.  西安交通大學(xué)學(xué)報. 2018(05)
[7]改進卷積神經(jīng)網(wǎng)絡(luò)在分類與推薦中的實例應(yīng)用[J]. 楊天祺,黃雙喜.  計算機應(yīng)用研究. 2018(04)
[8]個性化推薦系統(tǒng)的研究進展[J]. 劉建國,周濤,汪秉宏.  自然科學(xué)進展. 2009(01)

碩士論文
[1]一種聯(lián)合成對排序的協(xié)同過濾推薦算法研究[D]. 陳允.鄭州大學(xué) 2019
[2]融合物品視覺特征的協(xié)同過濾推薦算法研究[D]. 陳思洋.合肥工業(yè)大學(xué) 2019
[3]基于協(xié)同過濾的服裝個性化定制系統(tǒng)研究與實現(xiàn)[D]. 高雄.浙江理工大學(xué) 2019
[4]基于時間效應(yīng)和屬性信息的推薦算法研究[D]. 葉宏圖.西南交通大學(xué) 2018
[5]基于深度學(xué)習(xí)的服裝圖像分類與檢索[D]. 包青平.浙江大學(xué) 2017
[6]基于海量數(shù)據(jù)的企業(yè)營銷資源優(yōu)化研究與分析[D]. 安鮮兒.浙江理工大學(xué) 2017
[7]網(wǎng)絡(luò)消費者感性需求分析及應(yīng)用研究[D]. 余恩水.大連理工大學(xué) 2015



本文編號：3490944