基于用户购买力和物品图片特征的评分预测研究

发布时间：2022-01-27 21:35

　　随着互联网技术的不断发展,数据挖掘和人工智能在各个领域得到了广泛的应用。作为人工智能前沿应用之一,推荐系统在为用户提供个性化信息,协助处理信息过载问题上扮演重要的角色。在学术研究和工业应用领域一直是比较热门的话题。推荐系统的运用提升了平台运转的效率,不仅方便了用户的购物消费选择,同时也为平台带来了利润的提升。自推荐系统的概念提出以来,很多算法被提出并得到了实际的验证。目前来说,推荐系统算法主要分为两个方向,一个是基于内容的推荐算法,一个是协同过滤算法。两类算法在不同的应用场景下具有各自的优势。当前的研究习惯于将用户的评分数据当成无序的数据集,并没有考虑用户在个人层面消费经验层次的增长。事实上,用户在各自消费活动中,依据个人学习能力的不同,会不断的积累消费经验。所以,用户的消费历史记录不能被当成无序数据处理,应当从中挖掘用户经验层次演化的过程。另一方面,从个人层面来说,用户在购买、评价过程中,或多或少会受到从众消费心理的影响。但是,用户受影响程度的大小取决于用户本身所处的经验层次。本文尝试从用户个人层面,挖掘用户经验层次演化的过程,同时,融合从众心理因素构建一套合理的评分模型。另外,我们... 

【文章来源】：西南大学重庆市211工程院校教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

论文组织结构

西南大学硕士学位论文= ( ) （ ） ( | ) 后面一项 ( )是防止过拟合正则化项， 属于正则化超参，预先指定过实验获得最优值。使用随机梯度下降法迭代求解参数，迭代过程如下： = ( ) = ( )其中， 是学习率，属于超参，通过试验获得。下面通过一个简单的例子直观的理解个过程，如图所示，将原始打分矩阵分解为两个特征矩阵相乘的形式。2.3

中的服从的高斯分布的方差属于超参，化如下形式： V) =(R V) ( ) ( ) = 2 2，最终能量函数表示为：) = ( ) ( ) ( = ( ) ( ) 对物品 j 评分。参数求解仍然可以通过矩阵分解模型结构：


本文编号：3613123