基于历史用户信息的项目协同过滤算法研究

发布时间：2024-04-07 19:53

　　随着互联网数据爆炸式的发展,人们获取信息的服务从无到有,从有到更好的习惯发生巨大改变,同时面对互联网日益繁杂的物品,变得眼花缭乱,无从决策。尤其当面对数据负载时,用户不知如何去表达或者无法描述事物的时候,能否根据以往的交互行为记录推荐出相关的物品,推荐系统可以帮助用户快速获取所需信息。在现实中,由于用户与项目的交互数据往往是稀疏的,这给推荐算法带来了一定的困难。推荐系统的核心是根据用户的历史行为偏好,物品属性或上下文信息,建模用户的信息,从而实现有效的推荐功能。传统推荐系统应用最广泛的算法是协同过滤,其利用用户与项目之间的交互行为产生推荐。基于协同过滤的推荐方法采用了浅层模型无法学习用户与项目的深层交互特征,所学的特征是线性关系。随着深度学习的到来,为传统推荐系统带来了新的机遇。一方面,深度学习将传统推荐系统学习关系由线性向非线性转换,能够获取用户和项目之间的非线性特征的表示;另一方面,深度学习能够从数据特征中自动学习,将不同数据映射到同一空间内,这大大解决了数据间融合问题,从而缓解推荐系统中的数据冷启动和稀疏问题。然而在深度模型中,生成较多无意义的神经因子,无法对推荐结果进行合理的解...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1.1论文主要研究内容Figure1.1Themainsearchcontentsofthepaper

第一章绪论6意图的推荐算法。该算法在历史用户的基础上，引入时间序列挖掘历史用户长期或短期意图，有效学习用户与项目交互特征，最后融合两种特征共同学习用户与项目深层次的特征最后，对本文所做的主要的研究工作进行了总结以及对未来重点研究的工作进行了讨论。本文主要研究内容如图1.1所示：图....

图2.1协同过滤基本原理

安徽大学硕士学位论文7第二章相关理论与方法随着当今技术的快速发展，数据的与日剧增，面对如此繁杂的数据，用户如何定位自己感兴趣的内容？推荐系统的诞生正是解决信息负载的问题。本章首先简单介绍了协同过滤的两大功能（即推荐和预测）和序列推荐，然后介绍推荐系统数据稀疏和冷启动问题。接着介绍....

图2.2序列推荐例子：小W接下来会买什么？Figure2.2Sequencerecommendationexample:whatwilllittleWbuynext?

谐涞纭４由厦婵梢粤私獾剑??的每下一步动作会受到先前行为的影响，因此这些购买动作都是顺序依赖的。这种顺序依赖不能被传统的推荐系统（如协同过滤）所捕获，其实质是序列推荐[23]。例如，用户偏好和项目的流行度随着时间的推移而改变，这种属于动态而非静态的交互，这种动态只能通过序列推荐来....

图3.1用户与项目交互Figure3.1Theuserinteractswiththeitem

特征表示。同时，引入注意力机制网络用以区分不同用户对项目的重要程度，从而使DeepUCF更具有表现力，称DeepUCF+a。3.1历史用户早期的推荐系统任务是评分预测（ratingprediction）[47]。评分预测的核心方法是通过向量內积的方式建模用户与项目之....

本文编号：3947886