基于用户兴趣建模的协同过滤推荐方法研究

发布时间：2020-12-03 02:47

　　互联网时代,伴随电子商务网站与社交媒体平台的飞速发展,用户、商品、评论等各类信息呈爆炸式增长。面对海量、复杂信息,用户高效获取有用信息变得更加困难,信息过载问题日益突出。为了有效缓解信息过载问题,个性化推荐技术应运而生。该技术通过分析用户的历史行为信息及其相关偏好,将可能会被用户喜欢的产品、信息或服务推荐给用户,在提升用户信息获取效率的同时,增强了用户黏性,促进了相关利益主体的业绩提升。协同过滤推荐方法作为应用最广泛的个性化推荐技术之一,受到学术界与产业界的重点关注。从现有研究进展来看,尽管协同过滤推荐技术取得了系列有价值的研究成果,但数据稀疏、用户兴趣漂移等难题仍然制约着其推荐性能的提升。本文面向数据稀疏、用户兴趣漂移等难题,以用户兴趣的深入分析为切入,通过融合用户的项目属性偏好与兴趣变化信息,综合运用非线性遗忘函数、k-means聚类等方法,建立了基于用户兴趣建模的协同过滤推荐算法。主要的研究成果如下:（1）面向数据稀疏问题,着眼于更为细致的考虑用户兴趣,本文基于用户评分信息与项目属性信息的融合,将用户-项目评分矩阵转化为用户-项目属性偏好矩阵,降低了矩阵的稀疏程度。（2）面向用户... 

【文章来源】：山西大学山西省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

艾宾浩斯遗忘曲线图

基于用户兴趣建模的协同过滤推荐方法研究26图3-2k-means聚类流程图在此根据先前得到的各用户的兴趣属性偏好向量，对其执行k-means聚类算法。3.3.2相似性计算传统的协同过滤算法认为只要两个用户间存在共同评分的项目，这两个用户便视为近邻。但随着用户和项目数在系统内的增多，部分用户间共同评分的项目数很少，甚至只有一至两个项目的情况。用户间共同评论的项目数很少并不能表明两个用户之间存在近邻关系。因此，在寻找用户近邻的阶段，本文加入考虑用户间共同评分的项目数M，通过选取不同的阈值M，来决定两个用户间是否存在近邻关系。如表3-6是3个用户对7部电影的评分矩阵。赵明与孙华共同评论的电影只有少年派，这不能说明这两个人存在近邻关系。赵明与李芳共同的评论的电影是

基于用户兴趣建模的协同过滤推荐方法研究32该用户评价过电影的不同年龄段的遗忘函数值（表4-6所示），当遗忘系数越大，用户的遗忘速率也就越快，即用户较大时间间隔以前评价过的电影对现在的用户的兴趣影响不大。为了检验引入基于年龄变化的遗忘函数的有效性，本节建立用户兴趣模型预测测试集中相关用户的电影评分。结果表明，引入基于年龄变化的遗忘函数用户模型的准确率要高于未引入的用户兴趣模型。图4-1列示了部分用户在不同遗忘系数下的MAE值。可以看出，除了ID为580的用户，其余用户引入基于年龄变化的遗忘函数的预测准确率提高了，这表明大部分用户的兴趣变化比较快。图4-1不同遗忘系数下部分用户的推荐精度比较


本文编号：2895863