基于群组用户画像的农业信息化推荐算法研究

发布时间：2018-02-14 23:50

本文关键词： 农业信息推荐算法群组用户画像协同过滤用户会话离散量用户兴趣贴近度　出处：《西北农林科技大学》2017年硕士论文　论文类型：学位论文

【摘要】：在我国农业信息化进程中,产生了大量的农业信息,出现了“信息过载”现象,使得农业从业人员寻找感兴趣的信息愈发困难,无法及时、有效并且准确地获取满足自身需要的信息资源。因此,对用户与系统交互时产生的Web日志、评分等信息进行深度挖掘,通过构建农业用户画像预测用户的兴趣偏好,并提供个性化的信息推荐服务是解决“信息过载”的重要途径。本文研究的农业用户画像主要由基本信息子画像、内容偏好子画像、会话子画像和评分子画像四部分构成,首先利用基本信息子画像和内容偏好子画像进行聚类得到群组用户画像,然后在群组内分别利用会话子画像和评分子画像研究个性化推荐技术,最终将推荐结果进行加权融合推送给用户,主要完成了以下工作:(1)农业群组用户画像研究。针对传统农业信息个性化服务系统中用户兴趣模型不具有代表性,难以实时更新和维护困难等情况,基于农业信息按需分类表建立农业信息Web领域本体,并通过数据挖掘等手段获得用户标签数据,再结合相应映射方法,构建用户画像,实现了用户画像的存储、查询和更新。利用基于改进AP算法的FCM算法对用户画像进行聚类,最终在用户群组内进行个性化推荐。本文所研究方法得到的用户画像群组,相比传统K-Means算法、改进K-Means算法和传统FCM算法,预测准确度分别提升19.87%、9.75%、7.25%,推荐准确度分别提升11.48%、11.23%、5.77%。(2)基于群组用户会话子画像的推荐技术研究。针对传统协同过滤算法的冷启动问题,以用户与系统交互产生的点击流数据为基础,利用数据挖掘技术识别出用户会话信息,根据兴趣的时间段特性,结合时间对会话进行划分形成会话集,并在群组用户的会话集中找到与当前活动会话相似的会话,然后用会话替代传统协同过滤算法中的用户,分析预测用户在当前会话中最可能希望关注的信息,并将其主动推荐给用户。实验证明,该算法在近邻数为120时,性能达到最优,其准确率为41.85%、召回率为16.43%,覆盖率为25.28%,流行度为7.1746;该算法进行Top10推荐时,与传统基于用户的协同过滤相比,其HR@10的性能提升约34.93%。(3)基于群组用户评分子画像的推荐技术研究。针对传统协同过滤算法的相似度计算方法在数据极度稀疏的情况下,出现的计算准确度不高的问题。首先利用离散量相关性质推导出信息相关系数,并以此计算用户间相似度值;然后利用用户兴趣贴近度对相似度结果进行修正,最终得到较为完善的相似度计算结果。实验结果表明,该方法在数据稀疏度达到0.9901时,MAE为0.819002,相比COS-CF、ACOS-CF、PCC-CF、US-CF算法分别降低16.05%、14.35%、15.24%、5.95%,说明该算法能适应数据极度稀疏的推荐环境。(4)个性化农业信息推荐模型研究。针对传统农业信息服务系统信息利用率不高的情况,综合本文所研究的方法和技术,研究了农业信息推荐模型并设计了个性化推荐系统,实现了农业信息获取和个性化推荐等功能。
[Abstract]:......
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.3

【参考文献】