基于上下文和标签相关性的推荐算法研究

发布时间：2024-04-23 01:54

　　基于上下文和基于标签相关性的推荐就是利用上下文和标签预测用户下一个感兴趣的物品。随着信息技术趋于成熟,用户的属性标签、时间上下文、评分、评价、物品特征标签等多种类型的数据信息越来越容易被获取。那么,如何有效融合已经获取的上下文和标签信息来挖掘用户偏好轨迹和预测用户偏好显得尤为重要,也成为推荐系统的热门研究方向。目前,基于上下文推荐算法和基于标签推荐算法的研究都取得了一定进展,但也存在一些问题:首先,推荐结果在追求提高精确率的时候,常常会忽略用户兴趣的多样性,易使推荐结果同质化;其次,虽然已经注意到了时间信息带来的影响,但是没能充分考虑时间间隔的因素,影响了推荐结果的准确率。最后,用户评分数据非常稀疏,稀疏程度甚至高达90%以上,这种仅依靠极少评分数据的推荐降低了其有效性。针对上述存在的问题,本文将影响推荐效果的时间上下文以及标签相关性进行恰当的融合,提出了相应的新的推荐算法,从而提高推荐效果。(1)着眼于标签信息和时间信息,来缓解“数据稀疏”问题和提高推荐结果多样化,本文做了如下改进:首先,从纵向上融合用户属性标签信息和评分信息来划分用户偏好,从横向上结合项目特征标签信息来更精确地计算...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图2-5用户评分行为偏向Figure2-5Ratingbehaviorbiasofuser

图2-5用户评分行为偏向Figure2-5Ratingbehaviorbiasofuser0.10.120.140.160.180.20.220.24123456相关程度间隔月数正面评价负面评价Movielens0.10.120.140.160.181....

图2-7豆瓣电影网页系统标签和自定义标签Figure2-7Systemtagsandcustomtagsof"doubanmovies"webpage

2相关知识是一种方便快捷的分类工具。社会化标签融合了分类和关键字的特点，对提高推荐结果的准确度有很大的帮助。例如，目标用户具有标签[学生，高三，理科生]，在其浏览有关数学知识点的相关网站时，我们可以根据用户属性标签就可以推荐对应的高三数学复习一本通等类似资料。经研究发现，社会化....

图2-9LSTM模型基本结构

在本文中第四节提出的新算法中，将用户已有的全部标签信息作为主题文档的全部语义信息，利用LDA学习每个标签与主题之间的交互作用，或者可以理解为在当前的主题下，该标签的重要性。于是，在本文中将标签与主题交互作用作为注意力机制，将权重值进行融入。因此本小节介绍这两个方面的相关知识概....

本文编号：3962447