推薦系統(tǒng)作為一種解決信息過(guò)載問(wèn)題的有效方式,已經(jīng)在電商、視頻和音樂(lè)等領(lǐng)域廣泛應(yīng)用,其中基于模型的協(xié)同過(guò)濾推薦算法由于良好的擴(kuò)展性和極強(qiáng)的學(xué)術(shù)研究性獲得了工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注。本文針對(duì)推薦系統(tǒng)實(shí)際應(yīng)用中面臨的推薦精確性、數(shù)據(jù)稀疏性和擴(kuò)展性等問(wèn)題進(jìn)行了深入分析,分別結(jié)合遷移學(xué)習(xí)和上下文信息兩種方法,提出了對(duì)這些關(guān)鍵問(wèn)題的解決方案。具體如下:1、針對(duì)協(xié)同過(guò)濾推薦算法的準(zhǔn)確性問(wèn)題,提出了一種基于遷移學(xué)習(xí)的協(xié)同過(guò)濾推薦算法。該算法旨在通過(guò)將用戶集劃分子空間,建立遷移學(xué)習(xí)模型改善推薦算法的準(zhǔn)確性。該算法以實(shí)際網(wǎng)站的推薦系統(tǒng)搜集的用戶行為數(shù)據(jù)存在一定程度的質(zhì)量差異為基本假設(shè),綜合考慮用戶評(píng)分信息熵和用戶評(píng)分特征空間方差兩個(gè)指標(biāo)對(duì)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)價(jià)。在數(shù)據(jù)質(zhì)量存在差異的基礎(chǔ)上,把數(shù)據(jù)劃分成質(zhì)量不同的數(shù)據(jù)子群組,并通過(guò)遷移高質(zhì)量組的物品特征隱向量提高低質(zhì)量組的推薦精度。實(shí)驗(yàn)結(jié)果表明數(shù)據(jù)質(zhì)量的差異性對(duì)推薦精度的提升有著重要的影響。2、針對(duì)協(xié)同過(guò)濾推薦算法的擴(kuò)展性和數(shù)據(jù)稀疏性問(wèn)題,提出了一種基于耦合輔助信息的協(xié)同過(guò)濾推薦算法,該算法旨在通過(guò)將用戶上下文信息和項(xiàng)目上下文信息融合到矩陣分解模型,并利用耦合相似...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1長(zhǎng)尾效應(yīng)Fig.1-1Longtaileffect商品種類

上海交通大學(xué)碩士學(xué)位論文2此外還有著名的視頻推薦平臺(tái)YouTube，國(guó)內(nèi)大型電商平臺(tái)“淘寶網(wǎng)”和電影網(wǎng)站“豆瓣”等。推薦系統(tǒng)在電商和視頻領(lǐng)域的應(yīng)用首先可以升級(jí)用戶的體驗(yàn)效果，推薦系統(tǒng)可以根據(jù)用戶歷史的購(gòu)買或觀看記錄主動(dòng)向用戶進(jìn)行推薦，節(jié)省了用戶尋找的時(shí)間，其次用戶對(duì)于網(wǎng)站的依賴程....

圖1-2亞馬遜推薦界面

上海交通大學(xué)碩士學(xué)位論文3薦系統(tǒng)采用基于項(xiàng)目推薦不僅節(jié)省了用戶尋找物品的時(shí)間，并且在用戶需求不明確時(shí)為用戶提供了一個(gè)選擇，從而也增加了亞馬遜的物品銷售額，如圖1-2所示。圖1-2亞馬遜推薦界面Fig.1-2Amazonrecommendationinterface推薦系統(tǒng)不僅在電....

圖1-3推薦協(xié)同過(guò)濾混合推薦

iltering)CF[27,28]通過(guò)挖掘歷史行為預(yù)測(cè)用戶的喜好，使得推薦算法可以在不同領(lǐng)域里進(jìn)行有效的遷移和靈活變化，但是這種依賴于用戶對(duì)物品的歷史交互數(shù)據(jù)，這種算法對(duì)于從沒(méi)有在此平臺(tái)有過(guò)行為數(shù)據(jù)的用戶是失效的，無(wú)法基于過(guò)去預(yù)測(cè)未來(lái)�？紤]到基于內(nèi)容的方法和基于協(xié)同過(guò)濾方法各自....

圖2-4(a)豆瓣系統(tǒng)的顯性反饋示意圖

上海交通大學(xué)碩士學(xué)位論文13生成每個(gè)商家的可提供推薦群組，最后根據(jù)群組對(duì)商品的加權(quán)反饋預(yù)估待推薦商家對(duì)該商品的喜好程度，根據(jù)喜好程度選擇前N個(gè)商品。（1）初始化用戶反饋數(shù)據(jù)用戶對(duì)項(xiàng)目的行為數(shù)據(jù)可以分為顯性反饋(ExplicitFeedback)和隱形反饋(ImplicitFeed....

本文編號(hào)：3989583