基于用户分层结构的个性化推荐方法

发布时间：2022-01-26 21:19

　　随着电子商务的发展,推荐系统成为辅助用户挑选商品的工具。同时,推荐系统在海量的商品中准确地为用户推荐其感兴趣的商品变得越来越困难。传统推荐方法依赖用户对物品的打分数据进行推荐,然而在电子商务场景下这种显式反馈数据难以获取,用户对物品点击或购买的隐式反馈数据逐渐成为关注的焦点。目前,单分类协同过滤模型适用于处理隐式反馈数据,但仍存在用户冷启动的问题,并且无法有效区分隐式反馈数据中的正例和负例。针对以上的问题,本文使用用户的分层结构信息作为辅助信息,根据用户的自主选择和内在属性分别将分层结构划分为显性分层结构和隐性分层结构,与单分类协同过滤模型结合,提出了基于用户显性分层结构的单分类协同过滤方法（UHS_OCCF）和基于用户隐性分层结构的单分类协同过滤方法（WUHS_OCCF）。在公开的Mypersonality数据集上进行验证,使用数据集中的用户群组和人格信息分别构建用户显性和隐性分层结构。实验结果表明,本文提出的两个基于用户分层结构的方法可以有效提高推荐精度,缓解了冷启动带来的问题。 

【文章来源】：合肥工业大学安徽省211工程院校教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

用户群组分布情况

验结果可以说明，UHS_OCCF 在冷启动问题上可以取得较好的实验冷启动问题对推荐系统的影响有一定的作用。敏感性分析小节，通过相关的实验检验提出方法的鲁棒性，以及在推荐条件不提出模型的推荐效果。析隐式反馈矩阵分解时的维度个数对敏感度的影响，使用 F mea价指标：2 @ @( )@ @Prec K Recall KF measure KPrec K Recall K (3.19) 表示推荐列表的长度，分别将其设置为 5、10。验结果如图 3.7所示，UHS_OCCF中的隐式反馈矩阵在使用 WRMF取的不同维度的k 时的不同表现。从图中可以看出， k 10时，F-低，随着k 的增加，F-Measure 的值逐渐增加，当k 值达到 60 后，定，波动不大，这就意味着可以选取 60-100 中的数值作为 WRMF矩阵的维度数，可以取得相对较好的实验结果。

第四章 基于用户隐性分层结构的个性化推荐方法如表 4.3所示，经过筛选最终得到 4516个用户和 6166记录。此数据集中，只有用户是否过点击物品的信息，将筛选的数据随机进行划分，其中 80%作为训练集，行五重交叉验证，将每次得到的结果的平均值作为最数据集中，4516 个用户都存在人格特质得分，其人格每个维度的评分都在 1-5 之间，其中神经质使用 NEU示、开放性使用 OPE 表示、宜人性使用 AGR 表示、图 4.4 所示，从这些用户的人格特质分布可以看出，这宜人性、严谨性、外向性的分值普遍较高，只有神经中等平均水平。


本文编号：3611182