基于前景理论的评分预测算法研究

发布时间：2025-02-07 20:08

　　现代网络信息技术的快速迭代更新,使得信息流量增长迅猛。当前消费者很难从庞大的商品信息中找到符合自己的商品。推荐系统针对此问题被提出,并且诸多学者考虑了不同因素对推荐算法进行改进。之后提出传统的矩阵分解算法从用户和商品之间的交互行为挖掘出商品和用户之间隐含的关系。但是,传统的矩阵分解技术也有先天性的不足。基于矩阵分解的评分预测算法更多的关注商品和用户之间隐含的关系,而忽略其他因素对评分预测的影响。本文在传统的矩阵分解算法基础上结合前景理论,并添加商品历史评分因素、历史评分数量以及用户自身偏好的影响,对算法进行改进。首先,通过统计分析用户购买商品的行为数据,得出了商品的历史评分对用户评分的影响规律,通过前景理论的损失规避效应描述该影响规律。其次,分析商品历史评分数量对用户决策购买的影响,并且通过回归分析,拟合出相应的规律曲线。再次,将商品历史评分因素和商品历史评分数量与基于偏置项的矩阵分解模型相结合,并且分析了在这两个因素的影响下对商品推荐的影响。最终,本文通过实验验证了考虑商品历史评分因素和商品历史评分数量的评分预测算法,评分预测结果准确率高于传统矩阵分解模型。

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

图2.1基于用户的协同过滤算法原理

图2.1基于用户的协同过滤算法原理Figure2.1Principleofuser-basedcollaborativefilteringalgorithm两部分：目标用户兴趣相似的用户群，一般通过各种相似度计算的相似度计算方法有余弦相似度、皮尔逊相关系数、J....

图2.2基于项目的协同过滤算法原理

图2.2基于项目的协同过滤算法原理Figure2.Principleofproject-basedcollaborativefilteringalgorithm为两部分：数据集中的用户数据计算出目标用户之前产生过交互行为的度，找出与目标用户之前产生过交互行为的....

图2.3前景理论价值函数图

他会感觉很正常；如果说当他的决策最终能导致虑这个决定带来的风险，避免失去预期的收益；决策最终的收益要低于预期收益1000元，那么。该理论是在博弈论中的期望效用假说的基础上能够很好的描述人们在日常生活中面对风险时的心括了四个基本理论，第一是确定效应：大多数人二是反射效应：大多数....

图3.1商品评分均值分布图(0.1梯度)

商品名称进行排序，然后对于每个商品，将其对应的用户评形成了每个商品的评分列表。比如说，商品ID为1的商品的评分、第2个评分、第3个评分、……、第个评分。之后再排序，以此类推将所有的商品都进行排序。好序的数据进行分组分析，本文将具有相似平均评分的商品应的平均评分。....

本文编号：4031233