隨著電子商務(wù)的蓬勃發(fā)展,消費(fèi)者在購物時可選擇的商品數(shù)目以一種不可思議的速度急速增長,為了幫助消費(fèi)者更好地選擇出符合自己偏好的商品,推薦系統(tǒng)應(yīng)運(yùn)而生。一個好的推薦系統(tǒng)可以幫助公司更精準(zhǔn)地迎合用戶偏好,提升用戶滿意度,從而更好地留住用戶,增加銷量。然而,對于單個用戶來說,其購買或使用的商品僅僅只占該電子商務(wù)網(wǎng)站所有商品的極小一部分,因此該用戶在某一商品領(lǐng)域所涉及的信息量極其有限,造成了評分矩陣的稀疏性。最為稀疏的情況即為剛進(jìn)入領(lǐng)域的新用戶,我們無法獲取其歷史行為,則難以為其進(jìn)行有效的個性化推薦,這種情況被稱作新用戶的“冷啟動問題”。如果可以通過一定的方式解決冷啟動問題,一定會在一定程度上提升推薦的準(zhǔn)確性,提升企業(yè)的服務(wù)水平。由此,“跨域推薦”算法逐漸成為研究熱點,為該問題的解決提供了新的研究視角。這類算法的一般思路是將用戶對于所購買商品的顯式或隱式反饋從信息較為稠密的輔助域遷移到信息相對稀疏的目標(biāo)域,從而更準(zhǔn)確的定義出目標(biāo)域用戶的個性化偏好。遺憾的是,現(xiàn)有的跨域推薦算法雖然在各自應(yīng)用場景中均取得了較好的推薦效果,但是這些方法大都僅利用用戶的評分,受限于評分矩陣固有的稀疏性。盡管用戶評論文本... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于內(nèi)容的推薦算法

圖２－２基于用戶的協(xié)同過濾示例（左）、基子商品的協(xié)同過濾示例（右）??在基于記憶的協(xié)同過濾算法中，我們可以選取以下幾種相似度計算方法：余??

圖３－１?ＲＣ－ＤＦＭ模型整體框架??ＲＣ－ＤＦＭ模型第一步表不為圖３－１的最左側(cè)部分

【參考文獻(xiàn)】：
碩士論文
[1]基于潛在特征映射的跨域推薦方法研究[D]. 王興華.山東大學(xué) 2018
[2]基于評論挖掘的跨域推薦問題研究[D]. 宋天航.山東大學(xué) 2017



本文編號：3555070