發(fā)布時間：2022-01-27 21:35

　　隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,數(shù)據(jù)挖掘和人工智能在各個領(lǐng)域得到了廣泛的應(yīng)用。作為人工智能前沿應(yīng)用之一,推薦系統(tǒng)在為用戶提供個性化信息,協(xié)助處理信息過載問題上扮演重要的角色。在學術(shù)研究和工業(yè)應(yīng)用領(lǐng)域一直是比較熱門的話題。推薦系統(tǒng)的運用提升了平臺運轉(zhuǎn)的效率,不僅方便了用戶的購物消費選擇,同時也為平臺帶來了利潤的提升。自推薦系統(tǒng)的概念提出以來,很多算法被提出并得到了實際的驗證。目前來說,推薦系統(tǒng)算法主要分為兩個方向,一個是基于內(nèi)容的推薦算法,一個是協(xié)同過濾算法。兩類算法在不同的應(yīng)用場景下具有各自的優(yōu)勢。當前的研究習慣于將用戶的評分數(shù)據(jù)當成無序的數(shù)據(jù)集,并沒有考慮用戶在個人層面消費經(jīng)驗層次的增長。事實上,用戶在各自消費活動中,依據(jù)個人學習能力的不同,會不斷的積累消費經(jīng)驗。所以,用戶的消費歷史記錄不能被當成無序數(shù)據(jù)處理,應(yīng)當從中挖掘用戶經(jīng)驗層次演化的過程。另一方面,從個人層面來說,用戶在購買、評價過程中,或多或少會受到從眾消費心理的影響。但是,用戶受影響程度的大小取決于用戶本身所處的經(jīng)驗層次。本文嘗試從用戶個人層面,挖掘用戶經(jīng)驗層次演化的過程,同時,融合從眾心理因素構(gòu)建一套合理的評分模型。另外,我們... 

【文章來源】：西南大學重慶市211工程院校教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)

西南大學碩士學位論文= ( ) （ ） ( | ) 后面一項 ( )是防止過擬合正則化項， 屬于正則化超參，預(yù)先指定過實驗獲得最優(yōu)值。使用隨機梯度下降法迭代求解參數(shù)，迭代過程如下： = ( ) = ( )其中， 是學習率，屬于超參，通過試驗獲得。下面通過一個簡單的例子直觀的理解個過程，如圖所示，將原始打分矩陣分解為兩個特征矩陣相乘的形式。2.3

中的服從的高斯分布的方差屬于超參，化如下形式： V) =(R V) ( ) ( ) = 2 2，最終能量函數(shù)表示為：) = ( ) ( ) ( = ( ) ( ) 對物品 j 評分。參數(shù)求解仍然可以通過矩陣分解模型結(jié)構(gòu)：


本文編號：3613123