基于用户反馈信息的评分预测算法的设计与实现

发布时间：2024-04-11 05:39

　　智能化时代已经到来,铺天盖地的信息让人无所适从,如何准确定位自己感兴趣的信息显得尤为关键。在此背景下,推荐系统应运而生,它很好地帮助用户解决了信息过载的问题。评分预测是推荐系统的一个重要且有意义的研究领域,它通过预测用户对物品的评分给用户推荐物品。但是由于评分数据的稀疏,导致很多评分预测算法的效果不尽如人意。因此如何提高评分预测算法的准确度已经成为了推荐系统的巨大挑战。本文将基于用户对物品的关注度和用户评分数据的重要度分别建立基于用户关注度的评分预测模型和基于用户评分数据重要性的评分预测模型,从而缓解评分数据的稀疏性对预测算法的影响,并基于用户评分数据进行加权模型学习过程的研究。本文的主要研究工作与贡献,有以下三个方面:·基于用户关注度的评分预测:在电子商务网站中,用户不能关注到所有的物品,而是有选择地关注自己感兴趣的物品,因此用户对物品的关注度可以隐性地反馈出用户的兴趣爱好。本文通过分析用户关注度对用户评分值的影响,使用迁移学习将用户对物品的关注度这一隐性反馈信息迁移到目标领域,运用协同过滤技术和矩阵分解技术,分别提出基于用户关注度的协同过滤模型UAD和基于用户关注度的矩阵分解模型U...

【文章页数】：96 页

【学位级别】：硕士

【部分图文】：

图1.1:亚马逊评论实例

利用用户的历史行为数据和用户对物品的反馈信息建立评分预测模型。然后通过模型预测用户对物品的评分值，最后将分值高的商品推荐给用户。如图1.1所展示的是亚马逊网站上的用户对物品的反馈信息，该反馈信息包含文本评论形式和评分值评论形式（以星级表示）。文本评论是指用户通过撰写文本的形式描述....

图1.2:用户日常购买行为

1.3研究内容和主要贡献如图1.2所示，在日常生活中，对于电子商务网站上的商品，用户可能会进行购买，也可能仅进行浏览。此外，用户在购买某个商品后，可能因为各种原因不会对其进行评分，从而导致了评分数据的缺乏。评分数据的缺乏已经严重地影响了评分预测算法的准确度，本文的目标便是利用用户....

图2.1:问题描述

问题描述在本文中，我们使用符号U代表所有用户的集合，使用符号I代表所有物品的集合。如图2.1所示，输入矩阵OUIseq(R)记录了所有用户对物品的多次评分的评分值；其中矩阵中的0元素是缺失值，它代表了用户没有对物品进行过评分。例如O(u2,i1)=....

图3.1:解决方案

模型框架图3.1:解决方案对于以上2.1所描述的评分预测问题，我们的解决流程如图3.1所示，我们首先从已有的用户对物品的多次评分数据矩阵O中计算出用户—物品平均评分值矩阵R和用户—物品评分次数矩阵N，然后从用户对物品的评分次数中分析出用户对物品的关注程度。最后，我们通....

本文编号：3950954