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(zhǔn)確定位自己感興趣的信息顯得尤為關(guān)鍵。在此背景下,推薦系統(tǒng)應(yīng)運而生,它很好地幫助用戶解決了信息過載的問題。評分預(yù)測是推薦系統(tǒng)的一個重要且有意義的研究領(lǐng)域,它通過預(yù)測用戶對物品的評分給用戶推薦物品。但是由于評分?jǐn)?shù)據(jù)的稀疏,導(dǎo)致很多評分預(yù)測算法的效果不盡如人意。因此如何提高評分預(yù)測算法的準(zhǔn)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(guān)注度和用戶評分?jǐn)?shù)據(jù)的重要度分別建立基于用戶關(guān)注度的評分預(yù)測模型和基于用戶評分?jǐn)?shù)據(jù)重要性的評分預(yù)測模型,從而緩解評分?jǐn)?shù)據(jù)的稀疏性對預(yù)測算法的影響,并基于用戶評分?jǐn)?shù)據(jù)進(jìn)行加權(quán)模型學(xué)習(xí)過程的研究。本文的主要研究工作與貢獻(xiàn),有以下三個方面:·基于用戶關(guān)注度的評分預(yù)測:在電子商務(wù)網(wǎng)站中,用戶不能關(guān)注到所有的物品,而是有選擇地關(guān)注自己感興趣的物品,因此用戶對物品的關(guān)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(guān)注度對用戶評分值的影響,使用遷移學(xué)習(xí)將用戶對物品的關(guān)注度這一隱性反饋信息遷移到目標(biāo)領(lǐng)域,運用協(xié)同過濾技術(shù)和矩陣分解技術(shù),分別提出基于用戶關(guān)注度的協(xié)同過濾模型UAD和基于用戶關(guān)注度的矩陣分解模型U...

【文章頁數(shù)】：96 頁

【學(xué)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(yù)測模型。然后通過模型預(yù)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(xiàn)如圖1.2所示，在日常生活中，對于電子商務(wù)網(wǎng)站上的商品，用戶可能會進(jìn)行購買，也可能僅進(jìn)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(jìn)行評分，從而導(dǎo)致了評分?jǐn)?shù)據(jù)的缺乏。評分?jǐn)?shù)據(jù)的缺乏已經(jīng)嚴(yán)重地影響了評分預(yù)測算法的準(zhǔn)確度，本文的目標(biāo)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(jìn)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(yù)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?jǐn)?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(guān)注程度。最后，我們通....

本文編號：3950954