基于迁移学习和上下文信息的协同过滤推荐算法

发布时间：2024-06-05 03:26

　　推荐系统作为一种解决信息过载问题的有效方式,已经在电商、视频和音乐等领域广泛应用,其中基于模型的协同过滤推荐算法由于良好的扩展性和极强的学术研究性获得了工业界和学术界的广泛关注。本文针对推荐系统实际应用中面临的推荐精确性、数据稀疏性和扩展性等问题进行了深入分析,分别结合迁移学习和上下文信息两种方法,提出了对这些关键问题的解决方案。具体如下:1、针对协同过滤推荐算法的准确性问题,提出了一种基于迁移学习的协同过滤推荐算法。该算法旨在通过将用户集划分子空间,建立迁移学习模型改善推荐算法的准确性。该算法以实际网站的推荐系统搜集的用户行为数据存在一定程度的质量差异为基本假设,综合考虑用户评分信息熵和用户评分特征空间方差两个指标对数据质量进行评价。在数据质量存在差异的基础上,把数据划分成质量不同的数据子群组,并通过迁移高质量组的物品特征隐向量提高低质量组的推荐精度。实验结果表明数据质量的差异性对推荐精度的提升有着重要的影响。2、针对协同过滤推荐算法的扩展性和数据稀疏性问题,提出了一种基于耦合辅助信息的协同过滤推荐算法,该算法旨在通过将用户上下文信息和项目上下文信息融合到矩阵分解模型,并利用耦合相似...

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

图1-1长尾效应Fig.1-1Longtaileffect商品种类

上海交通大学硕士学位论文2此外还有著名的视频推荐平台YouTube，国内大型电商平台“淘宝网”和电影网站“豆瓣”等。推荐系统在电商和视频领域的应用首先可以升级用户的体验效果，推荐系统可以根据用户历史的购买或观看记录主动向用户进行推荐，节省了用户寻找的时间，其次用户对于网站的依赖程....

图1-2亚马逊推荐界面

上海交通大学硕士学位论文3荐系统采用基于项目推荐不仅节省了用户寻找物品的时间，并且在用户需求不明确时为用户提供了一个选择，从而也增加了亚马逊的物品销售额，如图1-2所示。图1-2亚马逊推荐界面Fig.1-2Amazonrecommendationinterface推荐系统不仅在电....

图1-3推荐协同过滤混合推荐

iltering)CF[27,28]通过挖掘历史行为预测用户的喜好，使得推荐算法可以在不同领域里进行有效的迁移和灵活变化，但是这种依赖于用户对物品的历史交互数据，这种算法对于从没有在此平台有过行为数据的用户是失效的，无法基于过去预测未来。考虑到基于内容的方法和基于协同过滤方法各自....

图2-4(a)豆瓣系统的显性反馈示意图

上海交通大学硕士学位论文13生成每个商家的可提供推荐群组，最后根据群组对商品的加权反馈预估待推荐商家对该商品的喜好程度，根据喜好程度选择前N个商品。（1）初始化用户反馈数据用户对项目的行为数据可以分为显性反馈(ExplicitFeedback)和隐形反馈(ImplicitFeed....

本文编号：3989583