現(xiàn)代網(wǎng)絡(luò)信息技術(shù)的快速迭代更新,使得信息流量增長迅猛。當(dāng)前消費者很難從龐大的商品信息中找到符合自己的商品。推薦系統(tǒng)針對此問題被提出,并且諸多學(xué)者考慮了不同因素對推薦算法進行改進。之后提出傳統(tǒng)的矩陣分解算法從用戶和商品之間的交互行為挖掘出商品和用戶之間隱含的關(guān)系。但是,傳統(tǒng)的矩陣分解技術(shù)也有先天性的不足。基于矩陣分解的評分預(yù)測算法更多的關(guān)注商品和用戶之間隱含的關(guān)系,而忽略其他因素對評分預(yù)測的影響。本文在傳統(tǒng)的矩陣分解算法基礎(chǔ)上結(jié)合前景理論,并添加商品歷史評分因素、歷史評分數(shù)量以及用戶自身偏好的影響,對算法進行改進。首先,通過統(tǒng)計分析用戶購買商品的行為數(shù)據(jù),得出了商品的歷史評分對用戶評分的影響規(guī)律,通過前景理論的損失規(guī)避效應(yīng)描述該影響規(guī)律。其次,分析商品歷史評分數(shù)量對用戶決策購買的影響,并且通過回歸分析,擬合出相應(yīng)的規(guī)律曲線。再次,將商品歷史評分因素和商品歷史評分數(shù)量與基于偏置項的矩陣分解模型相結(jié)合,并且分析了在這兩個因素的影響下對商品推薦的影響。最終,本文通過實驗驗證了考慮商品歷史評分因素和商品歷史評分數(shù)量的評分預(yù)測算法,評分預(yù)測結(jié)果準確率高于傳統(tǒng)矩陣分解模型。

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1基于用戶的協(xié)同過濾算法原理

圖2.1基于用戶的協(xié)同過濾算法原理Figure2.1Principleofuser-basedcollaborativefilteringalgorithm兩部分：目標(biāo)用戶興趣相似的用戶群，一般通過各種相似度計算的相似度計算方法有余弦相似度、皮爾遜相關(guān)系數(shù)、J....

圖2.2基于項目的協(xié)同過濾算法原理

圖2.2基于項目的協(xié)同過濾算法原理Figure2.Principleofproject-basedcollaborativefilteringalgorithm為兩部分：數(shù)據(jù)集中的用戶數(shù)據(jù)計算出目標(biāo)用戶之前產(chǎn)生過交互行為的度，找出與目標(biāo)用戶之前產(chǎn)生過交互行為的....

圖2.3前景理論價值函數(shù)圖

他會感覺很正常；如果說當(dāng)他的決策最終能導(dǎo)致慮這個決定帶來的風(fēng)險，避免失去預(yù)期的收益；決策最終的收益要低于預(yù)期收益1000元，那么。該理論是在博弈論中的期望效用假說的基礎(chǔ)上能夠很好的描述人們在日常生活中面對風(fēng)險時的心括了四個基本理論，第一是確定效應(yīng)：大多數(shù)人二是反射效應(yīng)：大多數(shù)....

圖3.1商品評分均值分布圖(0.1梯度)

商品名稱進行排序，然后對于每個商品，將其對應(yīng)的用戶評形成了每個商品的評分列表。比如說，商品ID為1的商品的評分、第2個評分、第3個評分、……、第個評分。之后再排序，以此類推將所有的商品都進行排序。好序的數(shù)據(jù)進行分組分析，本文將具有相似平均評分的商品應(yīng)的平均評分。....

本文編號：4031233