隨著移動互聯(lián)網(wǎng)的高速發(fā)展,電子商務和在線社交網(wǎng)絡等Web2.0應用快速普及,隨之產(chǎn)生了海量且動態(tài)變化的用戶行為數(shù)據(jù)。用戶評分數(shù)據(jù)是一種重要的用戶行為數(shù)據(jù),反映了用戶對相關(guān)產(chǎn)品或服務的喜好程度。通過分析這些用戶評分數(shù)據(jù)并建立用戶偏好模型,能夠為精準廣告推薦、用戶畫像等個性化服務提供重要的數(shù)據(jù)和技術(shù)基礎,且具有重要意義。近年來,許多研究人員提出了利用隱變量模型構(gòu)建用戶偏好模型的方法,以描述評分數(shù)據(jù)中的隱含知識,從而簡化模型和增強模型的可解釋性。含隱變量貝葉斯網(wǎng)（Bayesian network with a latent variable,BNLV）作為隱變量模型的一種,能夠通過隱變量描述隱含在評分數(shù)據(jù)中的用戶偏好,并且可以描述評分數(shù)據(jù)中屬性間任意形式依賴關(guān)系及不確定性。傳統(tǒng)的隱變量模型構(gòu)建方法通常基于批量訓練模式的機器學習算法,其假設所有評分數(shù)據(jù)在整個訓練過程中可用。然而,數(shù)據(jù)通常按順序到達,用戶偏好可能會動態(tài)變化,用戶產(chǎn)生的評分數(shù)據(jù)數(shù)量也會隨著時間的推移而逐漸減少。評分數(shù)據(jù)稀疏和實時的特性,使得基于批量訓練模式的偏好建模算法難以適應現(xiàn)實世界的在線應用。綜上所述,本文的主要研究內(nèi)容概括如... 

【文章來源】：云南大學云南省 211工程院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖１．２評分頻數(shù)隨時間變化的例子??大多數(shù)用于用戶偏好建模的傳統(tǒng)算法［２４＇３８＇?４８］是通過批量訓練的方式進行的，??２??

圖SJ用戶偏好發(fā)現(xiàn)的召回率

圖5月用戶偏好發(fā)現(xiàn)的準確率

【參考文獻】：
期刊論文
[1]基于貝葉斯網(wǎng)的評價數(shù)據(jù)分析和動態(tài)行為建模[J]. 王飛,岳昆,孫正寶,武浩,馮輝.  計算機研究與發(fā)展. 2017(07)
[2]Preference transfer model in collaborative filtering for implicit data[J]. Bin JU,Yun-tao QIAN,Min-chao YE.  Frontiers of Information Technology & Electronic Engineering. 2016(06)
[3]多攝像機監(jiān)控中基于貝葉斯因果網(wǎng)的人物角色識別[J]. 明安龍,馬華東,傅慧源.  計算機學報. 2010(12)
[4]包含隱變量的貝葉斯網(wǎng)絡增量學習方法[J]. 田鳳占,黃麗,于劍,黃厚寬.  電子學報. 2005(11)

碩士論文
[1]基于隱變量模型的評分數(shù)據(jù)分析與用戶偏好建模[D]. 高仁尚.云南大學 2017



本文編號：3007573