智能化時代已經(jīng)到來,鋪天蓋地的信息讓人無所適從,如何準確定位自己感興趣的信息顯得尤為關鍵。在此背景下,推薦系統(tǒng)應運而生,它很好地幫助用戶解決了信息過載的問題。評分預測是推薦系統(tǒng)的一個重要且有意義的研究領域,它通過預測用戶對物品的評分給用戶推薦物品。但是由于評分數(shù)據(jù)的稀疏,導致很多評分預測算法的效果不盡如人意。因此如何提高評分預測算法的準確度已經(jīng)成為了推薦系統(tǒng)的巨大挑戰(zhàn)。本文將基于用戶對物品的關注度和用戶評分數(shù)據(jù)的重要度分別建立基于用戶關注度的評分預測模型和基于用戶評分數(shù)據(jù)重要性的評分預測模型,從而緩解評分數(shù)據(jù)的稀疏性對預測算法的影響,并基于用戶評分數(shù)據(jù)進行加權(quán)模型學習過程的研究。本文的主要研究工作與貢獻,有以下三個方面:·基于用戶關注度的評分預測:在電子商務網(wǎng)站中,用戶不能關注到所有的物品,而是有選擇地關注自己感興趣的物品,因此用戶對物品的關注度可以隱性地反饋出用戶的興趣愛好。本文通過分析用戶關注度對用戶評分值的影響,使用遷移學習將用戶對物品的關注度這一隱性反饋信息遷移到目標領域,運用協(xié)同過濾技術和矩陣分解技術,分別提出基于用戶關注度的協(xié)同過濾模型UAD和基于用戶關注度的矩陣分解模型U...

【文章頁數(shù)】：96 頁

【學位級別】：碩士

【部分圖文】：

圖1.1:亞馬遜評論實例

利用用戶的歷史行為數(shù)據(jù)和用戶對物品的反饋信息建立評分預測模型。然后通過模型預測用戶對物品的評分值，最后將分值高的商品推薦給用戶。如圖1.1所展示的是亞馬遜網(wǎng)站上的用戶對物品的反饋信息，該反饋信息包含文本評論形式和評分值評論形式（以星級表示）。文本評論是指用戶通過撰寫文本的形式描述....

圖1.2:用戶日常購買行為

1.3研究內(nèi)容和主要貢獻如圖1.2所示，在日常生活中，對于電子商務網(wǎng)站上的商品，用戶可能會進行購買，也可能僅進行瀏覽。此外，用戶在購買某個商品后，可能因為各種原因不會對其進行評分，從而導致了評分數(shù)據(jù)的缺乏。評分數(shù)據(jù)的缺乏已經(jīng)嚴重地影響了評分預測算法的準確度，本文的目標便是利用用戶....

圖2.1:問題描述

問題描述在本文中，我們使用符號U代表所有用戶的集合，使用符號I代表所有物品的集合。如圖2.1所示，輸入矩陣OUIseq(R)記錄了所有用戶對物品的多次評分的評分值；其中矩陣中的0元素是缺失值，它代表了用戶沒有對物品進行過評分。例如O(u2,i1)=....

圖3.1:解決方案

模型框架圖3.1:解決方案對于以上2.1所描述的評分預測問題，我們的解決流程如圖3.1所示，我們首先從已有的用戶對物品的多次評分數(shù)據(jù)矩陣O中計算出用戶—物品平均評分值矩陣R和用戶—物品評分次數(shù)矩陣N，然后從用戶對物品的評分次數(shù)中分析出用戶對物品的關注程度。最后，我們通....

本文編號：3950954