基于用户评分修正的协同过滤推荐算法

发布时间：2021-01-28 12:28

　　互联网信息的爆炸式增长,造成了严重的“信息过载”的问题,人们很难找到自己感兴趣的信息,推荐系统应运而生,推荐系统通过给用户推荐他不了解但可能会感兴趣的内容来帮助用户获取信息。现今,推荐系统已经广泛应用在电子商务、新闻资讯、社交网站与视频音乐等领域。目前主流的推荐算法分为:基于协同过滤的推荐,基于内容的推荐和混合算法推荐等。其中协同过滤因为其不需要领域知识与推荐自动化程度高等优点成为了工业界使用最广泛的推荐算法,它通过应用一组与目标用户兴趣相似的近邻,来给目标用户进行评分的预测。在现实世界中,用户在给物品做出评分时可能会受到三种因素的影响:物品本身质量、用户自己的记忆作用和用户信任的社交好友对用户评分的影响。为了剔除这种影响,分析用户的真实偏好,找到与目标用户兴趣更加相似的近邻,从而提高推荐的准确度,本文提出了一种基于用户评分修正的协同过滤推荐算法。首先对比分析了现有物品质量评估方法的不足,提出了基于贝叶斯估计的物品质量评估方法。通过这种方法,我们不需要直接计算有限数量的估计值,取而代之的是计算出已知值的概率分布,然后利用这个概率分布来获取估计值,有效缓解了因评分数据不足而导致评估物品质... 

【文章来源】：南京财经大学江苏省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

近十年网民规模统计

南京财经大学硕士学位论文春笋般涌现出来，不管是淘宝的商品推荐，网易云的音乐推荐，今日头条的资讯推荐，携程的出行推荐，豆瓣的电影推荐和腾讯的社交好友推荐都广受好评。如今，人们的生活已经离不开推荐系统。推荐系统无处不在的便利着人们的生活，同时也刺激了消费，有利于经济的发展。

在搜索引擎中找到自己所需要的信息。但是，搜索引擎在用户不能准确描述自己想要搜索的信息的关键词时，就显得无能为力了。推荐系统的发展源于一个很简单的现象：人们在做日常工作和日常决策时总是会去寻求他人的意见，这也是一个解决信息供求矛盾的有力工具。与搜索引擎不同，推荐系统通常不需要用户提供搜索关键词。推荐系统通过对用户过去的历史消费记录，为用户建立相关兴趣模型，并给用户推荐他们可能会感兴趣的物品。推荐系统可以更好的发掘物品的长尾（long tail）[46]。畅销商品往往代表了绝大多数用户的消费需求，如用户衣食住行的必需品等。而长尾商品经常反映的是用户的个性化需求，这部分商品更有助于理解用户的兴趣所在。推荐系统通过分析用户的行为模式，消费记录，分析用户的定制化需求，并推荐这部分难以被发掘的商品给用户，帮助用户发现他们感兴趣但很难被发掘的商品，实现用户和商家的共赢。图 2.1 展示的是美团点评的推荐系统整体架构图[47]，从上至下包括应用场景层、推荐服务层、核心数据层和离线计算层，每层分工不同，共同构成了美团的推荐系统。推荐系统的本质是通过一定的算法将用户和物品联系起来，联系用户和物品的常用信息包括：用户的注册信息、历史兴趣和用户的社交信息等。

【参考文献】：
期刊论文
[1]采用评论挖掘修正用户评分的改进协同过滤算法[J]. 王红霞,陈健,程艳芬.  浙江大学学报(工学版). 2019(03)
[2]融合评分矩阵与评论文本的商品推荐模型[J]. 李琳,刘锦行,孟祥福,苏畅,李鑫,钟珞.  计算机学报. 2018(07)
[3]基于阶段时序效应的奇异值分解推荐模型[J]. 黄凯,张曦煌.  计算机应用. 2017(05)
[4]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平.  计算机学报. 2018(01)
[5]适应用户兴趣变化的改进型协同过滤算法[J]. 胡伟健,滕飞,李灵芳,王欢.  计算机应用. 2016(08)
[6]基于话语标记理论的在线商品评分修正方法[J]. 王伟军,宋艳秋,张婷婷,黄英辉,陈博洋.  情报学报. 2016 (04)
[7]基于用户评分和评论信息的协同推荐框架[J]. 谭云志,张敏,刘奕群,马少平.  模式识别与人工智能. 2016(04)
[8]基于小数据的在线用户兴趣长程演化研究[J]. 李勇,孟小峰,刘继,王常青.  计算机研究与发展. 2015(04)
[9]信任传递模型研究综述[J]. 胡祥培,尹进.  东南大学学报(哲学社会科学版). 2013(04)
[10]基于改进D-S证据理论的信任评估模型[J]. 张琳,刘婧文,王汝传,王海艳.  通信学报. 2013(07)

硕士论文
[1]基于LDA主题模型的在线评论聚类分析与推荐[D]. 杨凡.大连理工大学 2018
[2]基于用户评论的个性化产品推荐系统[D]. 刘英.北京邮电大学 2015



本文编号：3004996