隨著電子商務(wù)的發(fā)展,推薦系統(tǒng)成為輔助用戶挑選商品的工具。同時,推薦系統(tǒng)在海量的商品中準確地為用戶推薦其感興趣的商品變得越來越困難。傳統(tǒng)推薦方法依賴用戶對物品的打分數(shù)據(jù)進行推薦,然而在電子商務(wù)場景下這種顯式反饋數(shù)據(jù)難以獲取,用戶對物品點擊或購買的隱式反饋數(shù)據(jù)逐漸成為關(guān)注的焦點。目前,單分類協(xié)同過濾模型適用于處理隱式反饋數(shù)據(jù),但仍存在用戶冷啟動的問題,并且無法有效區(qū)分隱式反饋數(shù)據(jù)中的正例和負例。針對以上的問題,本文使用用戶的分層結(jié)構(gòu)信息作為輔助信息,根據(jù)用戶的自主選擇和內(nèi)在屬性分別將分層結(jié)構(gòu)劃分為顯性分層結(jié)構(gòu)和隱性分層結(jié)構(gòu),與單分類協(xié)同過濾模型結(jié)合,提出了基于用戶顯性分層結(jié)構(gòu)的單分類協(xié)同過濾方法（UHS_OCCF）和基于用戶隱性分層結(jié)構(gòu)的單分類協(xié)同過濾方法（WUHS_OCCF）。在公開的Mypersonality數(shù)據(jù)集上進行驗證,使用數(shù)據(jù)集中的用戶群組和人格信息分別構(gòu)建用戶顯性和隱性分層結(jié)構(gòu)。實驗結(jié)果表明,本文提出的兩個基于用戶分層結(jié)構(gòu)的方法可以有效提高推薦精度,緩解了冷啟動帶來的問題。 

【文章來源】：合肥工業(yè)大學(xué)安徽省211工程院校教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

用戶群組分布情況

驗結(jié)果可以說明，UHS_OCCF 在冷啟動問題上可以取得較好的實驗冷啟動問題對推薦系統(tǒng)的影響有一定的作用。敏感性分析小節(jié)，通過相關(guān)的實驗檢驗提出方法的魯棒性，以及在推薦條件不提出模型的推薦效果。析隱式反饋矩陣分解時的維度個數(shù)對敏感度的影響，使用 F mea價指標：2 @ @( )@ @Prec K Recall KF measure KPrec K Recall K (3.19) 表示推薦列表的長度，分別將其設(shè)置為 5、10。驗結(jié)果如圖 3.7所示，UHS_OCCF中的隱式反饋矩陣在使用 WRMF取的不同維度的k 時的不同表現(xiàn)。從圖中可以看出， k 10時，F(xiàn)-低，隨著k 的增加，F(xiàn)-Measure 的值逐漸增加，當(dāng)k 值達到 60 后，定，波動不大，這就意味著可以選取 60-100 中的數(shù)值作為 WRMF矩陣的維度數(shù)，可以取得相對較好的實驗結(jié)果。

第四章 基于用戶隱性分層結(jié)構(gòu)的個性化推薦方法如表 4.3所示，經(jīng)過篩選最終得到 4516個用戶和 6166記錄。此數(shù)據(jù)集中，只有用戶是否過點擊物品的信息，將篩選的數(shù)據(jù)隨機進行劃分，其中 80%作為訓(xùn)練集，行五重交叉驗證，將每次得到的結(jié)果的平均值作為最數(shù)據(jù)集中，4516 個用戶都存在人格特質(zhì)得分，其人格每個維度的評分都在 1-5 之間，其中神經(jīng)質(zhì)使用 NEU示、開放性使用 OPE 表示、宜人性使用 AGR 表示、圖 4.4 所示，從這些用戶的人格特質(zhì)分布可以看出，這宜人性、嚴謹性、外向性的分值普遍較高，只有神經(jīng)中等平均水平。


本文編號：3611182