基于标签关联分析的出版资源交互式推荐方法研究

发布时间：2020-04-24 04:10

【摘要】：在互联网技术飞速发展的时代,对具有大量资源的出版行业来说,如何满足用户个性化的知识服务需求成为出版行业亟需解决的重要问题。本文根据出版行业资源数据的特点,设计了一个出版资源个性化推荐算法,并针对传统推荐算法中存在的评分矩阵稀疏、推荐性能随资源增加而下降、冷启动等问题进行研究。本文的主要研究工作如下:(1)用户特征提取方法改进。本文对传统推荐算法中的用户特征提取方法进行了改进,将充分考虑用户的标签特征、行为特征和时间特征,构建用户兴趣特征向量。在定义的规范化标签体系下,通过用户对资源的行为反馈和交互操作获取用户的标签特征,并根据用户不同的行为反馈定义权重大小,同时通过时间遗忘曲线考虑用户标签特征偏移的现象。(2)概率矩阵分解算法改进。本文针对传统概率矩阵分解算法中忽略用户和资源间的影响关系的问题进行了改进。首先通过规范化的标签对用户和资源进行特征提取,寻找用户和资源的近邻,接着将相似邻居集合融入到概率矩阵分解算法中,降低评分矩阵的稀疏性并提高算法的准确率。通过大量实验证明改进后的概率矩阵分解算法的有效性和准确性。(3)交互式推荐框架。本文提出了一种基于标签关联分析的交互式方法,并设计了交互式推荐框架,通过用户与标签的交互缩小资源备选集,对资源进行定位,提高推荐算法的效率。在用户交互过程中,通过资源-标签矩阵对标签进行关联分析,提供较优的标签属性供用户选择,使资源备选集的划分得到优化。通过交互式实验,验证了交互式方法提高了推荐性能。(4)冷启动问题研究。为解决推荐过程的新用户冷启动问题,本文对用户的四个基本信息属性:年龄、性别、阅读时间、阅读地方进行分析。根据非新用户的基本信息创建决策树分类器,当新用户进入系统时,通过决策树分类模型进行匹配,初始化推荐主题资源,同时在交互式框架下,通过标签交互快速获取用户的需求。在实际数据集上的实验证明了该算法的有效性和准确性。最后,本文对基于标签关联分析的交互式推荐方法进行系统性验证,进行了需求分析,模块设计,整体框架设计和系统实现。
【图文】：

58图 5-5 系统读者展示界面系统的信息收集模块会收集用户的基本信息，，并将所有用户进行简要的信息展示，读者查询界面可以发现读者关注的出版社，了解读者的类型，也是本文算法中构建的用户兴趣主题。如果要分析用户的详细信息，可以进入用户的详情分析页面，该页面会记录用户的行为操作，本文对资源的隐式评分也就是来源于用户的操作行为。本文对用户“大白(lily)”进行分析，当需要获取用户的详细信息，管理端的编辑或其它出版行业工作者只需进入用户的详情界面，如图 5-6 对用户的详细信息进行展示。

图 5-6 用户详细信息展示页图 5-6 记录了用户“大白(lily)”2017/12/31 到 2018/1/3 的行为记录。通过用户的行为，数据分析模块进行分析，得到用户的标签特征，如图 5-7 所示，通过对用户的标签进行分析得到用户主要标签特征，然后通过本文的基于标签的概率矩阵分解算法为用户推荐资源。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;G230.7

【相似文献】

相关期刊论文 前10条

1 范云鹏;周水生;;矩阵分解[J];数学学习与研究;2012年03期

2 王建芳;张朋飞;谷振鹏;刘冉东;;一种优化的带偏置概率矩阵分解算法[J];小型微型计算机系统;2017年05期

3 蔡国永;夏彬彬;;基于联合矩阵分解的图像情感分析研究[J];小型微型计算机系统;2017年05期

4 田贤忠;沈杰;;大数据环境下基于概率矩阵分解的个性化推荐[J];计算机科学;2017年S1期

5 彭鹏;米传民;肖琳;;基于用户信任和兴趣的概率矩阵分解推荐方法[J];计算机系统应用;2017年09期

6 张维玉;吴斌;耿玉水;朱江;;基于协同矩阵分解的评分与信任联合预测[J];电子学报;2016年07期

7 高世伟,保铮;利用数据矩阵分解实现对空间相关信号源的超分辨处理[J];通信学报;1988年01期

8 刘双全;孙六全;;矩阵分解初探[J];武测科技;1988年03期

9 田钟颖,严克明;矩阵分解在运动分析中的应用初探[J];甘肃工业大学学报;1989年04期

10 张铭 ,杨万麟 ,李乐民;用前后向数据矩阵分解实现相干源的超分辨空间谱估计[J];声学与电子工程;1989年04期

相关会议论文 前8条

1 胡岸勇;柳重堪;苗俊刚;万国龙;;基于降晰矩阵分解与POCS的高斯降晰图像复原[A];全国第二届信号处理与应用学术会议专刊[C];2008年

2 郭亦鸿;曾楠;何宏辉;何永红;马辉;;各向异性介质的穆勒矩阵分解偏振光学特征[A];中国光学学会2011年学术大会摘要集[C];2011年

3 李叶青;丁帅;黄辉;汪家欣;;考虑隐含相似关系医生推荐方法研究[A];第十九届中国管理科学学术年会论文集[C];2017年

4 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年

5 王婷婷;宋恩彬;;低复杂度的渐近最优N-P检测[A];第25届中国控制与决策会议论文集[C];2013年

6 王春江;钱若军;王人鹏;;平衡矩阵子空间分解——物理意义及其工程应用[A];第二届全国现代结构工程学术研讨会论文集[C];2002年

7 罗正选;张霄力;;线性时滞切换系统的稳定性[A];第25届中国控制会议论文集（中册）[C];2006年

8 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年

相关博士学位论文 前10条

1 宋凯嵩;基于矩阵分解的社会媒体文本个性化情感分析技术研究[D];东北大学;2017年

2 代祥光;矩阵分解相关模型的优化算法研究[D];西南大学;2018年

3 赵谦;具有稀疏与稳健特性的低秩矩阵分析方法研究[D];西安交通大学;2018年

4 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年

5 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年

6 徐振兴;基于地理标注照片的景点推荐方法研究[D];浙江大学;2017年

7 胡祥;融合社会辅助信息的社会化推荐研究[D];北京邮电大学;2017年

8 张维玉;社交网络链路预测方法研究[D];北京邮电大学;2016年

9 肖延辉;基于矩阵分解的图像表示理论及其应用研究[D];北京交通大学;2014年

10 李方方;非独立同分布推荐系统研究[D];北京理工大学;2014年

相关硕士学位论文 前10条

1 熊峰;基于标签关联分析的出版资源交互式推荐方法研究[D];武汉理工大学;2018年

2 冯春梅;鲁棒矩阵分解的方法研究及在基因表达数据中的应用[D];曲阜师范大学;2018年

3 郭昌隆;基于矩阵分解的推荐算法研究[D];河北大学;2018年

4 袁园;基于矩阵分解算法和快速正交搜索方法的肌力估计研究[D];中国科学技术大学;2018年

5 陈希;miRNA与疾病关联预测算法研究[D];哈尔滨工业大学;2018年

6 王东芹;基于整合矩阵分解算法的药物挖掘方法研究[D];曲阜师范大学;2018年

7 黄训蓬;增量矩阵分解中线性特征变换的研究与应用[D];中国科学技术大学;2018年

8 王欢;面向个性化推荐的矩阵分解算法研究[D];河南大学;2018年

9 任怡;基于矩阵分解和聚类的协同过滤算法研究[D];吉林大学;2018年

10 王宇;基于Hadoop的分布式矩阵分解算法的研究[D];曲阜师范大学;2018年

本文编号：2638512