本文選題：異構(gòu)隱式反饋 + 推薦系統(tǒng)��； 參考：《浙江大學(xué)》2017年碩士論文

【摘要】：互聯(lián)網(wǎng)時代的大潮帶來了數(shù)據(jù)的爆炸式增長,大數(shù)據(jù)的概念也在過去的幾年內(nèi)持續(xù)升溫,用戶從海量數(shù)據(jù)中獲得有用信息的代價也越來越高。推薦系統(tǒng)為解決這一問題帶來了曙光。推薦系統(tǒng)通過用戶畫像、用戶的歷史行為數(shù)據(jù)及物品的相關(guān)數(shù)據(jù)等對用戶的偏好進(jìn)行建模,從而幫助用戶快速發(fā)現(xiàn)其真正感興趣的信息。目前非時間敏感的推薦算法通常認(rèn)為用戶的偏好不隨時間變化,在此假設(shè)下進(jìn)行相關(guān)算法的研究。然而,在真實(shí)的世界中,用戶的偏好隨著時間的推移不斷變化。時間敏感的推薦算法存在沒有考慮用戶長期、有重復(fù)性的偏好,計(jì)算效率不高等問題。因此,研究用戶的動態(tài)偏好,對于提升個性化推薦算法的準(zhǔn)確度、召回率等具有十分重要的意義。本文首先對電商環(huán)境下用戶的動態(tài)偏好進(jìn)行了詳細(xì)分析,然后圍繞基于用戶動態(tài)偏好的異構(gòu)隱式反饋推薦算法展開研究,主要工作包括:1)提出一種基于用戶偏好置信度時間衰減的推薦算法時間敏感的推薦算法通常會采用時間衰減的方式,通過降低用戶較遠(yuǎn)時間前的評分值來預(yù)測用戶未來購買興趣。此外,現(xiàn)有的研究主要是將時間衰減用在相對簡單的基于用戶的協(xié)同過濾算法中,尚沒有應(yīng)用于基于模型的推薦算法中。針對上述兩個問題,本文提出一種基于置信度時間衰減的用戶偏好度量方法。我們認(rèn)為,用戶的評分是確定的,不隨時間變化,隨時間變化的是用戶對這個評分的置信程度,以此表征用戶的短期偏好隨時間變化。通過在基于模型推薦算法上的大量實(shí)驗(yàn),結(jié)果表明該方法可以更好地表征用戶的偏好,從而提升推薦了算法的準(zhǔn)確度、召回率等指標(biāo)。2)提出了一種基于隱馬爾可夫模型的用戶動態(tài)偏好推薦算法對用戶的長期、有重復(fù)性的偏好進(jìn)行建模對于提升個性化推薦系統(tǒng)的準(zhǔn)確度有重要作用。基于時間衰減的偏好模型可以識別出用戶的短期偏好,但不足以識別出用戶的長期、有重復(fù)性的偏好。針對上述問題,本文提出了利用隱馬爾可夫模型來預(yù)測用戶未來偏好的方法。該方法利用歷史行為數(shù)據(jù),為每一個用戶建立隱馬爾克夫模型,通過該模型來預(yù)測該用戶的長期、有重復(fù)性的偏好。通過在基于模型推薦算法上的大量實(shí)驗(yàn),結(jié)果表明該方法可以識別出用戶的長期、有重復(fù)性的偏好,從而提升了推薦算法的準(zhǔn)確度、召回率等指標(biāo)。
[Abstract]:The tide of the Internet era has brought about the explosive growth of data, the concept of large data has also been rising in the past few years, and the price of users getting useful information from mass data is also getting higher and higher. The recommended system has brought dawn to solve this problem. The user preferences are modeled to help the user to quickly discover the information that they are really interested in. Currently, the non time sensitive recommendation algorithms usually think that the user's preference does not change with time, and the related algorithms are studied under this assumption. However, in the real world, the user's preference is not in the process of time. The time sensitive recommendation algorithm has no consideration of long term user, repetitive preference and low computational efficiency. Therefore, it is of great significance to study user's dynamic preference for improving the accuracy and recall of personalized recommendation algorithm. Detailed analysis, and then around the heterogeneous implicit feedback recommendation algorithm based on user dynamic preference, the main work includes: 1) a recommendation algorithm based on the time attenuation of user preferences is time sensitive, which usually uses a time attenuation method by reducing the value of the user before the longer time. In addition, the current research is mainly to use the time attenuation in a relatively simple user based collaborative filtering algorithm, and it is not yet applied to the model based recommendation algorithm. In this paper, a user preference measurement method based on the confidence time decline is proposed for the two problems. The score is determined and does not vary with time, and the user's confidence in the score is changed over time to represent the user's short-term preference over time. By a lot of experiments on the model based recommendation algorithm, the results show that the method can improve the user's preference, thus improving the accuracy of the proposed algorithm. Recall rate and other indicators.2) proposed a user dynamic preference recommendation algorithm based on Hidden Markov model for long-term users. Modeling with repetitive preference plays an important role in improving the accuracy of the personalized recommendation system. The time attenuated preference model can recognize the user's short-term preference, but not enough to identify the user's short-term preference. In this paper, a hidden Markov model is proposed to predict the user's future preference. This method uses historical behavior data to establish a hidden Markov model for each user to predict the user's long-term, repetitive preference through the model. A large number of experiments on the model recommendation algorithm show that the method can identify the long-term and repeatable preference of the user, thus improving the accuracy of the recommendation algorithm and the recall rate and so on.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李穎基,彭宏,鄭啟倫,曾煒;自動分層推薦算法[J];計(jì)算機(jī)應(yīng)用;2002年11期

2 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

3 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

4 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

5 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

6 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

7 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

8 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

9 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

10 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

相關(guān)會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：1903272