信息過載是大數(shù)據(jù)時(shí)代的突出問題之一,通過個(gè)性化推薦緩解信息過載,提升用戶體驗(yàn),已經(jīng)成為目前熱門的研究領(lǐng)域。現(xiàn)有推薦方法多聚焦于用戶和商品的交互數(shù)據(jù),然而電子商務(wù)網(wǎng)站存在海量用戶和商品,單一的用戶-商品交互數(shù)據(jù)存在數(shù)據(jù)稀疏和“冷啟動(dòng)”問題。為了解決這些問題,研究人員考慮引入用戶的在線社交關(guān)系輔助建模用戶偏好。用戶在社交活動(dòng)中通常會(huì)加入多個(gè)社區(qū),利用多社區(qū)構(gòu)成的重疊社區(qū)建模用戶偏好的研究目前較少。本文基于用戶加入的重疊社區(qū)可以有效反應(yīng)用戶興趣偏好這一事實(shí),提出了一種考慮重疊社區(qū)效應(yīng)的推薦方法。該方法通過用戶的商品交互數(shù)據(jù)和重疊社區(qū)數(shù)據(jù)聯(lián)合建模用戶的興趣偏好,同時(shí)利用在語義信息挖掘上表現(xiàn)突出的主題模型挖掘數(shù)據(jù)背后隱藏的興趣主題。該方法通過將用戶類比為文檔、商品和社區(qū)類比為兩類單詞、用戶的興趣偏好類比為文檔主題,將用戶的商品購買決策過程轉(zhuǎn)化為文檔單詞的生成過程,并基于主題模型原理建模用戶的興趣偏好。本文利用Gibbs抽樣推斷模型參數(shù),根據(jù)模型參數(shù)計(jì)算商品對(duì)目標(biāo)用戶的效用值,取效用值較高的商品生成目標(biāo)用戶的推薦列表。最后,本文利用CiteUlike公開數(shù)據(jù)集比較、驗(yàn)證所提方法與幾組經(jīng)典的推薦方法... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

主題模型簡(jiǎn)單示意圖

圖 2.3 LDA 的概率圖模型Fig 2.3 Probabilistic Graphical Model of LDA型圖可以拆分為如下兩個(gè)過程： ，這個(gè)過程表示在生成第 篇文檔的然后根據(jù)這個(gè)分布生成了文檔中第 個(gè)詞 = ，這個(gè)過程表示從 個(gè)主題 的分布，然后生成詞匯 。型中，M 篇文檔會(huì)對(duì)應(yīng) M 個(gè)獨(dú)立 Dirich應(yīng) K 個(gè)獨(dú)立的 Dirichlet-Multinomial 共軛合， 是可以觀察到的已知變量， 和量 、 和 都是未知的隱含變量，計(jì)的。根據(jù) LDA 的圖模型，我們可以寫 ) = ( | ) ( |

圖3.1 給出了概率圖模型。模型及其后續(xù)推導(dǎo)中用到的符號(hào)及其含義見表 3.1。表 3.1 相關(guān)字符含義Tab 3.1 Description of notations used in the model符號(hào) 說明 用戶集合、商品集合、社區(qū)集合 隱主題數(shù)量 不重復(fù)用戶數(shù)量， = 不重復(fù)商品數(shù)量 = 不重復(fù)社區(qū)數(shù)量 = 第 個(gè)用戶選擇的商品數(shù)量 第 個(gè)用戶選擇的社區(qū)數(shù)量 狄利克雷先驗(yàn)參數(shù) 用戶-興趣主題多項(xiàng)式分布 興趣主題-商品多項(xiàng)式分布 興趣主題-社區(qū)多項(xiàng)式分布 第 個(gè)用戶交互的第 個(gè)商品的主題 第 個(gè)用戶的第 個(gè)社區(qū)的主題 商品 社區(qū) ( )用戶購買的商品中，商品屬于主題 的個(gè)數(shù) ( )不考慮當(dāng)前需要更新興趣主題的商品，用戶購買的商品中，商品屬于主題 的個(gè)數(shù) 即不考慮主題，用戶夠買的商品個(gè)數(shù) ( )社區(qū) 在興趣主題 下出現(xiàn)的次數(shù) ( )不考慮當(dāng)前需要更新興趣主題的社區(qū)，社區(qū) 在興趣主題 下出現(xiàn)的次數(shù) 主題 下分配的商品個(gè)數(shù) ( )用戶加入的社區(qū)中，社區(qū)屬于主題 的個(gè)數(shù) ( )不考慮當(dāng)前需要更新興趣主題的社區(qū)，戶加入的社區(qū)中，社區(qū)屬于主題 的個(gè)數(shù) 即不考慮主題


本文編號(hào)：3549978