基于用户特征的组合推荐研究与实现
发布时间:2021-06-01 06:44
互联网相关技术的突破为信息传输、实时通讯带来极大的便利,同时日益增多的数据量也成为了在有效的时间内检索到有用信息的阻碍,引发“信息过载”的问题。推荐系统凭借强大的数据过滤能力与能够为用户提供个性化信息推送服务的智能性逐渐成为新网络时代热门技术,但是推荐系统中仍然存在着冷启动、概念漂移等缺陷,是推荐领域中需要解决的新挑战。本文基于用户的特征研究对推荐算法中的问题加以优化。通过研究已有推荐系统的优势和缺陷,针对上述问题提出不同解决方案。本文的创新与贡献为以下内容:首先本文分析了推荐过程中产生的用户兴趣漂移问题,用户兴趣状态随着外部环境中隐式条件的变化而发生偏移。外部条件的变化很难被捕捉,但是它改变的用户状态可以通过用户行为体现出来。因此本文通过对用户动态行为的分析,在用户对项目产生的行为记录中加入时间特性的概念,提出基于用户评分行为时间序列的推荐方案UTBCF算法,对时间权重公式提出改进优化。并在MovieLens-100k数据集上验证其算法的有效性,实验证明优化后的算法相比于原算法有着更好的推荐质量。其次通过对用户的静态画像分析,提出基于用户静态特征的推荐算法USFBF并改进了用户相似度...
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
百度网站广告
第二章推荐系统技术相关介绍7第二章推荐系统技术相关介绍2.1引言推荐系统是向用户提供个性化信息服务的工具,其中关键的核心部分在于推荐算法的实现。推荐系统查找目标项目所选择策略区分了不同的的推荐算法。在推荐领域中比较主流的算法种类分为三种[26]:基于内容过滤的推荐算法、基于协同过滤的推荐算法和基于组合的推荐算法,如图2-1所示。本章内容将概述了多种推荐算法的实现方式以及它们的优势和缺陷。图2-1主流的推荐算法分分类2.2推荐算法技术介绍2.2.1基于内容的推荐算法基于内容的过滤推荐算法[27](Content-basedfiltering,简称CBF)是信息过滤技术的延续发展,将信息检索领域的理论用于对项目内容的挖掘与模型建立。CBF的推荐策略是基于推荐项目的内容层面。通过分析项目相关信息、用户相关信息及用户对项目的操作行为等数据之间的联系来训练出用户相关兴趣模型。项
电子科技大学硕士学位论文8目相关信息是用于描述项目个体内容的标签分类、用户的评论、人工标注序号的信息等。用户相关信息是指相关静态画像信息,比如身份、职业、年龄、性别等。而用户对物品的操作行为可以是转发、点赞、评论、点击访问过等。CBF的策略如下图2-2所示,通过用户信息与用户行为建立用户与项目之间的关联,一般常使用的方法是记录下用户偏好的项目作为用户兴趣模型的特征表示,表示用户更倾向于的项目范围。分析待推荐项目与用户行为历史记录在内容上的相似性联系,将用户未知项目中满足与用户兴趣相符合的内容推荐给用户。图2-2CBF的策略CBF算法主要分为三个步骤:基于用户信息,用户操作行为构建用户特征表示、基于物品信息构建物品特征表示、基于用户和物品特征表示为用户推荐物品。他们之间的关系如下图2-3所示。首先建立用户特征表示与物品特征表示,将两者成功的匹配推荐给用户。图2-3CBF的推荐流程关键的部分是如何提取物品的特征表示和如何进行推荐,用户特征的构建与
【参考文献】:
期刊论文
[1]个性化推荐系统综述[J]. 张宇航,姚文娟,姜姗. 价值工程. 2020(02)
[2]推荐系统研究综述[J]. 周万珍,曹迪,许云峰,刘滨. 河北科技大学学报. 2020(01)
[3]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[4]基于改进的Jaccard系数文档相似度计算方法[J]. 俞婷婷,徐彭娜,江育娥,林劼. 计算机系统应用. 2017(12)
[5]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[6]协同过滤推荐算法比较研究[J]. 周泓宇,梁刚,杨进. 现代计算机(专业版). 2016(07)
[7]基于用户兴趣-标签的混合推荐方法研究[J]. 李兴华,陈冬林,杨爱民,李伟. 情报学报. 2015 (05)
[8]推荐系统研究进展[J]. 朱扬勇,孙婧. 计算机科学与探索. 2015(05)
[9]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红. 软件学报. 2013(11)
[10]推荐系统中的冷启动问题研究综述[J]. 孙冬婷,何涛,张福海. 计算机与现代化. 2012(05)
博士论文
[1]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]百度信息流广告的优势及投放策略研究[D]. 孟琴.安徽大学 2018
本文编号:3209873
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
百度网站广告
第二章推荐系统技术相关介绍7第二章推荐系统技术相关介绍2.1引言推荐系统是向用户提供个性化信息服务的工具,其中关键的核心部分在于推荐算法的实现。推荐系统查找目标项目所选择策略区分了不同的的推荐算法。在推荐领域中比较主流的算法种类分为三种[26]:基于内容过滤的推荐算法、基于协同过滤的推荐算法和基于组合的推荐算法,如图2-1所示。本章内容将概述了多种推荐算法的实现方式以及它们的优势和缺陷。图2-1主流的推荐算法分分类2.2推荐算法技术介绍2.2.1基于内容的推荐算法基于内容的过滤推荐算法[27](Content-basedfiltering,简称CBF)是信息过滤技术的延续发展,将信息检索领域的理论用于对项目内容的挖掘与模型建立。CBF的推荐策略是基于推荐项目的内容层面。通过分析项目相关信息、用户相关信息及用户对项目的操作行为等数据之间的联系来训练出用户相关兴趣模型。项
电子科技大学硕士学位论文8目相关信息是用于描述项目个体内容的标签分类、用户的评论、人工标注序号的信息等。用户相关信息是指相关静态画像信息,比如身份、职业、年龄、性别等。而用户对物品的操作行为可以是转发、点赞、评论、点击访问过等。CBF的策略如下图2-2所示,通过用户信息与用户行为建立用户与项目之间的关联,一般常使用的方法是记录下用户偏好的项目作为用户兴趣模型的特征表示,表示用户更倾向于的项目范围。分析待推荐项目与用户行为历史记录在内容上的相似性联系,将用户未知项目中满足与用户兴趣相符合的内容推荐给用户。图2-2CBF的策略CBF算法主要分为三个步骤:基于用户信息,用户操作行为构建用户特征表示、基于物品信息构建物品特征表示、基于用户和物品特征表示为用户推荐物品。他们之间的关系如下图2-3所示。首先建立用户特征表示与物品特征表示,将两者成功的匹配推荐给用户。图2-3CBF的推荐流程关键的部分是如何提取物品的特征表示和如何进行推荐,用户特征的构建与
【参考文献】:
期刊论文
[1]个性化推荐系统综述[J]. 张宇航,姚文娟,姜姗. 价值工程. 2020(02)
[2]推荐系统研究综述[J]. 周万珍,曹迪,许云峰,刘滨. 河北科技大学学报. 2020(01)
[3]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[4]基于改进的Jaccard系数文档相似度计算方法[J]. 俞婷婷,徐彭娜,江育娥,林劼. 计算机系统应用. 2017(12)
[5]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[6]协同过滤推荐算法比较研究[J]. 周泓宇,梁刚,杨进. 现代计算机(专业版). 2016(07)
[7]基于用户兴趣-标签的混合推荐方法研究[J]. 李兴华,陈冬林,杨爱民,李伟. 情报学报. 2015 (05)
[8]推荐系统研究进展[J]. 朱扬勇,孙婧. 计算机科学与探索. 2015(05)
[9]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红. 软件学报. 2013(11)
[10]推荐系统中的冷启动问题研究综述[J]. 孙冬婷,何涛,张福海. 计算机与现代化. 2012(05)
博士论文
[1]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]百度信息流广告的优势及投放策略研究[D]. 孟琴.安徽大学 2018
本文编号:3209873
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3209873.html
最近更新
教材专著