基于用户行为的个性化推荐系统的研究与实现

发布时间：2024-05-13 04:36

　　随着网络信息的容量、复杂度和动态特性的不断提高,推荐系统已经成为克服信息过载的关键解决方案,被许多在线服务包括电子商务、在线新闻和社交媒体网站广泛采用。其中个性化推荐系统的主要研究内容是根据用户过去的互动(例如,评论、评分和点击)对用户的偏好进行建模。本文基于用户行为的个性化推荐系统,对相应的推荐算法进行了研究。主要研究工作如下:1)提出一种基于改进word2vec的方法,实现用户评论模型的构建。本文对word2vec中skip-gram算法进行改进,将投影层分为两部分:一是实体,另一个是非实体,并将非实体添加到目标实体的负抽样中。通过对每个句子进行迭代,实体被嵌入到实体向量空间中。使用改进词嵌入算法为用户评论模型构建,从而得到用户和商品的分布式表征,并从该表征中推荐相似商品。2)提出一种基于用户商品对的融合模型。首先对数据进行预处理和分析,提取出用户商品的特征,其次通过用户特征和用户行为对高潜用户构建模型,根据用户商品行为的特征对用户商品对建模,最后把用户模型和用户商品模型相结合,预测出用户未来要购买的商品。3)基于神经网络的推荐算法。首先对有交互行为的用户商品对进行评分矩阵的构建,...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图2-1CBOW与Skip-Gram算法模型

本的分布式表征是自然语言处理（NLP）中的一组语言建模和特征学，也就是每个单词在空间向量中的表示。其中，ThomasMikolov[22]用做语言模型，相比前馈神经网络，RNN能将更多的上下文考虑到模型隐藏层能够囊括当前词的所有前序词，并在文献[23]中进行改进，无论是准确率....

图2-2特征处理总体架构

零[53]。任何具有非零回归系数的特征都是通性网络正则化将LASSO的L1惩罚与岭回归数的组合分析来对所有特征进行评分。另一用于支持向量机重复构造模型和去除具有低[55]和包裹式方法复杂度[56]。图2-2为特征处

图2-3Spark数据处理架构

图2-2特征处理总体架构平台多迭代机器学习算法以及大规模数据密Spark具有其体系结构基础，最主要的部以一种容错的方式进行维护。可以自动会转化型RDD格式。图2-3为Spark的

图3-1实体向量空间表示

分矩阵来进行推荐，更多的依赖于用户对商品的打分，而用户的评论更能体现户对商品的直观喜爱度。基于词嵌入的实体相似关系在机器学习算法中，通常需要将文本数据向量化，从而能对文本数据进行计算。的词袋模型并不能保存一个句子的完整性，基于词嵌入的方法可以获得句子序的上下文关系。例如已分好词....

本文编号：3972387