融合用户整体偏好和局部偏好的推荐系统研究

发布时间：2024-02-14 19:48

　　在互联网迅猛发展的今天,信息过载的现象愈发严重,在这种情况下,信息的生产者和消费者都会受到不同程度的影响。一方面,信息的生产者难以确保他们的信息或产品能够被目标市场的消费者关注到;另一方面,消费者难以从海量的信息或产品中找到自己真正喜欢的目标。推荐系统的产生正是用于解决这一问题。协同过滤是应用最广泛的推荐算法,但是协同过滤系统只使用用户对项目的评分这种显式反馈数据,无法深度挖掘用户的细微偏好,而且由于评分数据非常稀疏,导致推荐准确率不高。针对这种情况,本文充分利用评分数据,提出了两种计算用户行为偏好的模型,分别计算用户对项目的整体偏好和局部偏好,构建了一个新的混合推荐模型,对用户进行项目推荐。首先,针对现有的基于隐式反馈推荐系统中,采用用户为交互的项目构建负样本导致模型引入训练噪声的情况,提出一种新的划分正负样本的方式,通过用户对项目的评分,将高于或等于评分中位数的高分项目记为正样本,反之则记为负样本,通过计算用户在正负样本集上对一个项目的偏好值与用户对所有项目的偏好值总和之比,得到用户对一个项目的整体偏好程度。其次,针对现有的推荐系统未能深入挖掘用户对一个项目的每个特征的偏好分配,提...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2-1LFM算法原理图

武汉邮电科学研究院硕士学位论文10样的隐式反馈矩阵，并通过SVD分解，将用户对项目的兴趣度（即user-item矩阵）降维成用户对隐式特征类别（user-class矩阵）的偏好以及项目在中每个隐式特征类别的分布（class-item矩阵）。《推荐系统实战》[17]一书里详细介绍了....

图2-3神经翻译机中的Attention原理图

武汉邮电科学研究院硕士学位论文20算用户对项目的偏好值，这种不利用负样本推荐的隐式反馈系统，无疑会损失利用正负样本进行训练的隐式推荐模型的强化对比优势。基于上诉两点，本文改进了IFRM模型，利用用户的显式反馈数据创建正负样本集，并将显式反馈转变成隐式反馈进行模型建设，同时修正了公....

图3-1基于隐式反馈的推荐模型

武汉邮电科学研究院硕士学位论文27图4-1用户对项目特征的注意力分配4.2.4基于注意力机制的局部偏好获取模型算法详解定义：用户集={1，2，3，…}，对于任意用户，该用户交互列表={1，2，3，…}，其中任一项目由L个特征组成{1，2，3，…}，即=∑，并且包括用户的正负样本+....

图4-1用户对项目特征的注意力分配

武汉邮电科学研究院硕士学位论文386.2模型的性能分析本小节是对第五章的融合用户局部偏好和全局偏好的推荐模型Att+IFGP进行的验证实验。通过在固定不同超参数的值，逐一讨论模型的学习率lr、数据集迭代次数epoch、控制因子ω和隐式特征维度d这4个超参数对模型性能的影响。实验结....

本文编号：3898513