【摘要】：在互聯(lián)網(wǎng)技術飛速發(fā)展的時代,對具有大量資源的出版行業(yè)來說,如何滿足用戶個性化的知識服務需求成為出版行業(yè)亟需解決的重要問題。本文根據(jù)出版行業(yè)資源數(shù)據(jù)的特點,設計了一個出版資源個性化推薦算法,并針對傳統(tǒng)推薦算法中存在的評分矩陣稀疏、推薦性能隨資源增加而下降、冷啟動等問題進行研究。本文的主要研究工作如下:(1)用戶特征提取方法改進。本文對傳統(tǒng)推薦算法中的用戶特征提取方法進行了改進,將充分考慮用戶的標簽特征、行為特征和時間特征,構建用戶興趣特征向量。在定義的規(guī)范化標簽體系下,通過用戶對資源的行為反饋和交互操作獲取用戶的標簽特征,并根據(jù)用戶不同的行為反饋定義權重大小,同時通過時間遺忘曲線考慮用戶標簽特征偏移的現(xiàn)象。(2)概率矩陣分解算法改進。本文針對傳統(tǒng)概率矩陣分解算法中忽略用戶和資源間的影響關系的問題進行了改進。首先通過規(guī)范化的標簽對用戶和資源進行特征提取,尋找用戶和資源的近鄰,接著將相似鄰居集合融入到概率矩陣分解算法中,降低評分矩陣的稀疏性并提高算法的準確率。通過大量實驗證明改進后的概率矩陣分解算法的有效性和準確性。(3)交互式推薦框架。本文提出了一種基于標簽關聯(lián)分析的交互式方法,并設計了交互式推薦框架,通過用戶與標簽的交互縮小資源備選集,對資源進行定位,提高推薦算法的效率。在用戶交互過程中,通過資源-標簽矩陣對標簽進行關聯(lián)分析,提供較優(yōu)的標簽屬性供用戶選擇,使資源備選集的劃分得到優(yōu)化。通過交互式實驗,驗證了交互式方法提高了推薦性能。(4)冷啟動問題研究。為解決推薦過程的新用戶冷啟動問題,本文對用戶的四個基本信息屬性:年齡、性別、閱讀時間、閱讀地方進行分析。根據(jù)非新用戶的基本信息創(chuàng)建決策樹分類器,當新用戶進入系統(tǒng)時,通過決策樹分類模型進行匹配,初始化推薦主題資源,同時在交互式框架下,通過標簽交互快速獲取用戶的需求。在實際數(shù)據(jù)集上的實驗證明了該算法的有效性和準確性。最后,本文對基于標簽關聯(lián)分析的交互式推薦方法進行系統(tǒng)性驗證,進行了需求分析,模塊設計,整體框架設計和系統(tǒng)實現(xiàn)。
【圖文】：

58圖 5-5 系統(tǒng)讀者展示界面系統(tǒng)的信息收集模塊會收集用戶的基本信息，，并將所有用戶進行簡要的信息展示，讀者查詢界面可以發(fā)現(xiàn)讀者關注的出版社，了解讀者的類型，也是本文算法中構建的用戶興趣主題。如果要分析用戶的詳細信息，可以進入用戶的詳情分析頁面，該頁面會記錄用戶的行為操作，本文對資源的隱式評分也就是來源于用戶的操作行為。本文對用戶“大白(lily)”進行分析，當需要獲取用戶的詳細信息，管理端的編輯或其它出版行業(yè)工作者只需進入用戶的詳情界面，如圖 5-6 對用戶的詳細信息進行展示。

圖 5-6 用戶詳細信息展示頁圖 5-6 記錄了用戶“大白(lily)”2017/12/31 到 2018/1/3 的行為記錄。通過用戶的行為，數(shù)據(jù)分析模塊進行分析，得到用戶的標簽特征，如圖 5-7 所示，通過對用戶的標簽進行分析得到用戶主要標簽特征，然后通過本文的基于標簽的概率矩陣分解算法為用戶推薦資源。
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.3;G230.7

【相似文獻】

相關期刊論文 前10條

1 范云鵬;周水生;;矩陣分解[J];數(shù)學學習與研究;2012年03期

2 王建芳;張朋飛;谷振鵬;劉冉東;;一種優(yōu)化的帶偏置概率矩陣分解算法[J];小型微型計算機系統(tǒng);2017年05期

3 蔡國永;夏彬彬;;基于聯(lián)合矩陣分解的圖像情感分析研究[J];小型微型計算機系統(tǒng);2017年05期

4 田賢忠;沈杰;;大數(shù)據(jù)環(huán)境下基于概率矩陣分解的個性化推薦[J];計算機科學;2017年S1期

5 彭鵬;米傳民;肖琳;;基于用戶信任和興趣的概率矩陣分解推薦方法[J];計算機系統(tǒng)應用;2017年09期

6 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評分與信任聯(lián)合預測[J];電子學報;2016年07期

7 高世偉,保錚;利用數(shù)據(jù)矩陣分解實現(xiàn)對空間相關信號源的超分辨處理[J];通信學報;1988年01期

8 劉雙全;孫六全;;矩陣分解初探[J];武測科技;1988年03期

9 田鐘穎,嚴克明;矩陣分解在運動分析中的應用初探[J];甘肅工業(yè)大學學報;1989年04期

10 張銘 ,楊萬麟 ,李樂民;用前后向數(shù)據(jù)矩陣分解實現(xiàn)相干源的超分辨空間譜估計[J];聲學與電子工程;1989年04期

相關會議論文 前8條

1 胡岸勇;柳重堪;苗俊剛;萬國龍;;基于降晰矩陣分解與POCS的高斯降晰圖像復原[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

2 郭亦鴻;曾楠;何宏輝;何永紅;馬輝;;各向異性介質的穆勒矩陣分解偏振光學特征[A];中國光學學會2011年學術大會摘要集[C];2011年

3 李葉青;丁帥;黃輝;汪家欣;;考慮隱含相似關系醫(yī)生推薦方法研究[A];第十九屆中國管理科學學術年會論文集[C];2017年

4 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

5 王婷婷;宋恩彬;;低復雜度的漸近最優(yōu)N-P檢測[A];第25屆中國控制與決策會議論文集[C];2013年

6 王春江;錢若軍;王人鵬;;平衡矩陣子空間分解——物理意義及其工程應用[A];第二屆全國現(xiàn)代結構工程學術研討會論文集[C];2002年

7 羅正選;張霄力;;線性時滯切換系統(tǒng)的穩(wěn)定性[A];第25屆中國控制會議論文集（中冊）[C];2006年

8 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

相關博士學位論文 前10條

1 宋凱嵩;基于矩陣分解的社會媒體文本個性化情感分析技術研究[D];東北大學;2017年

2 代祥光;矩陣分解相關模型的優(yōu)化算法研究[D];西南大學;2018年

3 趙謙;具有稀疏與穩(wěn)健特性的低秩矩陣分析方法研究[D];西安交通大學;2018年

4 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

5 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質微觀結構[D];清華大學;2014年

6 徐振興;基于地理標注照片的景點推薦方法研究[D];浙江大學;2017年

7 胡祥;融合社會輔助信息的社會化推薦研究[D];北京郵電大學;2017年

8 張維玉;社交網(wǎng)絡鏈路預測方法研究[D];北京郵電大學;2016年

9 肖延輝;基于矩陣分解的圖像表示理論及其應用研究[D];北京交通大學;2014年

10 李方方;非獨立同分布推薦系統(tǒng)研究[D];北京理工大學;2014年

相關碩士學位論文 前10條

1 熊峰;基于標簽關聯(lián)分析的出版資源交互式推薦方法研究[D];武漢理工大學;2018年

2 馮春梅;魯棒矩陣分解的方法研究及在基因表達數(shù)據(jù)中的應用[D];曲阜師范大學;2018年

3 郭昌隆;基于矩陣分解的推薦算法研究[D];河北大學;2018年

4 袁園;基于矩陣分解算法和快速正交搜索方法的肌力估計研究[D];中國科學技術大學;2018年

5 陳希;miRNA與疾病關聯(lián)預測算法研究[D];哈爾濱工業(yè)大學;2018年

6 王東芹;基于整合矩陣分解算法的藥物挖掘方法研究[D];曲阜師范大學;2018年

7 黃訓蓬;增量矩陣分解中線性特征變換的研究與應用[D];中國科學技術大學;2018年

8 王歡;面向個性化推薦的矩陣分解算法研究[D];河南大學;2018年

9 任怡;基于矩陣分解和聚類的協(xié)同過濾算法研究[D];吉林大學;2018年

10 王宇;基于Hadoop的分布式矩陣分解算法的研究[D];曲阜師范大學;2018年

本文編號：2638512