【摘要】：隨著互聯(lián)網(wǎng)的高速發(fā)展,人類已經(jīng)步入一個全新的智能化時代。由于信息的數(shù)據(jù)量正呈現(xiàn)指數(shù)級增長,且數(shù)據(jù)的種類日益繁多,傳統(tǒng)的推薦系統(tǒng)已不能滿足商家和消費者的雙重需求。推薦算法的核心在于如何挖掘出更多的用戶偏好信息,然后根據(jù)用戶的興趣點給出推薦。能反映用戶偏好的信息除評分外,還包含伴隨評分給出的評語。對評語進行語義分析可以挖掘出大量的用戶偏好信息以及物品的潛在特征屬性,有助于改善數(shù)據(jù)稀疏性和"冷啟動"問題。本文研究的是推薦系統(tǒng)中的評分預測問題。本文將抽象的用戶偏好融入到LDA(Latent Dirichlet Allocation)主題模型中,提出了引入用戶評分和評語的貝葉斯評分預測模型。在互聯(lián)網(wǎng)公開的數(shù)據(jù)集上做實驗,證明了本文提出的理論方法能顯著提高評分預測的準確度。本文的主要工作和貢獻有以下兩點:(1)本文將LDA文檔生成模型引入到協(xié)同過濾推薦算法中,用主題解釋抽象的用戶偏好,并由此提出了基于貝葉斯理論的評分生成模型。該模型采用Gibbs采樣算法對可觀測到的樣本信息進行參數(shù)估計。對于給定的用戶和物品,該模型可預測出用戶對物品的評分值。在MovieLens數(shù)據(jù)集上做實驗,實驗結(jié)果證明本文提出的評分預測算法比Item-CF、SVD++和PLSA-CF等傳統(tǒng)算法的評分預測準確度更高。(2)為了挖掘更多的用戶偏好信息,本文對伴隨評分生成的評語信息進行了語義分析,模擬了評語中每個詞的生成過程。本文提出了融合用戶評分和評語的貝葉斯評分預測模型,并建立了基于LSTM的文本情感分析模型，對評語進行情感分析,解決了評分和評語不一致問題。(3)在京東商城的23個數(shù)據(jù)集上進行實驗,證明了本文算法的評分預測準確度得到了顯著的提高。最后,本文論證了該推薦算法具備較好的可解釋性,且對椎薦系統(tǒng)的冷啟動問題以及數(shù)據(jù)稀疏性問題有一定的改善。
【圖文】：

邐喜歡逡逑整個過程可用圖２－１描述。逡逑邐逡逑用戶Ａ逡逑用戶Ａ邐／邐＼邐物品Ｃ逡逑喜歡邐，邐Ｉ邐逡逑一推薦邐邐逡逑用戶Ａ邐Ｍ物品Ｄ逡逑圖２－１基于用戶的推薦算法示例逡逑Ｆｉｇｕｒｅ邋２－１邋Ｅｘａｍｐｌｅ邋ｏｆ邋ｕｓｅｒ－ｂａｓｅｄ邋ｒｅｃｏｍｍｅｎｄａｔｉｏｎ邋ａｌｇｏｒｉｔｈｍ逡逑在相似度計算上，將一個用戶對所有物品的偏好程度作為一個向量，挖掘出Ｎ逡逑個鄰居用戶。然后根據(jù)用戶與鄰居的相似度權(quán)重以及鄰居對物品的偏好，在用戶逡逑未涉及的商品中挖掘出系統(tǒng)認為用戶會感興趣的商品作為推薦列表，將推薦列表逡逑排序后呈現(xiàn)給用戶。相似度權(quán)重的計算是基于近鄰算法中的核心環(huán)節(jié)，一方面相逡逑似度權(quán)重可用于選擇可信的近鄰來預測評分，另一方面可以給予不同的近鄰在預逡逑測中的權(quán)重。下面將介紹如何計算用戶之間的相似度。逡逑為了將問題公式化，這里定義Ｕ為用戶集合，Ｉ為物品集合，Ｒ為用戶評分集逡逑合。另外

品Ａ的用戶都喜歡物品Ｃ。我們可以認為物品Ａ和物品Ｃ是相似物品，那么對于逡逑用戶Ｃ而言，，喜歡物品Ａ但沒接觸過物品Ｃ，所以基于物品的推薦系統(tǒng)有理由認逡逑為用戶Ｃ可能喜歡物品Ｃ，于是將物品Ｃ推薦給用戶Ｃ。整個過程可用圖２－２描逡逑述。逡逑Ｑ）＼￣￣￣￣￣￣物品Ａ逡逑用戶八逡逑——Ｈ邋物品８逡逑用戶Ａ邐＼逡逑喜歡邐／邐邐逡逑一邋—邐－遍物品ｃ逡逑推薦邐邐逡逑用戶Ａ逡逑圖２－２基于物品的推薦算法示例逡逑Ｆｉｇｕｒｅ邋２－２邋Ｅｘａｍｐｌｅ邋ｏｆ邋ｉｔｅｍ－ｂａｓｅｄ邋ｒｅｃｏｍｍｅｎｄａｔｉｏｎ邋ａｌｇｏｒｉｔｈｍ逡逑從圖２－２中可以看出，ｉｔｅｍ－ｂａｓｅｄ算法與ｕｓｅｒ－ｂａｓｅｄ算法原理類似，不同之處逡逑在于ｉｔｅｍ－ｂａｓｅｄ算法計算鄰居時使用的是物品本身而不是用戶本身，即基于用戶對逡逑物品的歷史偏好找到相似的物品，然后根據(jù)用戶的歷史偏好，推薦相似的物品給逡逑目標用戶。在計算上，將所有用戶對某個物品的偏好作為一個向量，然后計算物逡逑品之間的相似度，最后根據(jù)用戶的歷史偏好預測出目標用戶還沒有涉及的物品，逡逑計算得出一個按順序排列的物品列表作為推薦列表。逡逑在信息檢索中有一種計算對象之間相似度的方法，將兩個對象ａ和ｂ表示成逡逑向量的形式計算兩個向量之間的余弦相似度見式（２－９）：逡逑Ｔ逡逑ｃｏｓ（Ａ：ａ，邋ｘｂ）邋＝邋—Ｘ＾－Ｘｂ—邐（２－９）逡逑ＩＩ邋心邋ＩＩ邋ＩＫ邋ＩＩ逡逑同理
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關(guān)期刊論文 前5條

1 冷亞軍;陸青;梁昌勇;;協(xié)同過濾推薦技術(shù)綜述[J];模式識別與人工智能;2014年08期

2 吳成超;王衛(wèi)平;;考慮用戶興趣變化的概率隱語意協(xié)同推薦算法[J];計算機系統(tǒng)應用;2014年05期

3 張瑤;陳維斌;傅順開;;協(xié)同過濾推薦研究綜述[J];微型機與應用;2013年06期

4 孫冬婷;何濤;張福海;;推薦系統(tǒng)中的冷啟動問題研究綜述[J];計算機與現(xiàn)代化;2012年05期

5 李文波;孫樂;張大鯤;;基于Labeled-LDA模型的文本分類新算法[J];計算機學報;2008年04期

相關(guān)碩士學位論文 前7條

1 吳庭;基于位置的推薦計算:Spark實現(xiàn)[D];浙江大學;2016年

2 栗波;音樂電臺推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學;2015年

3 李楊曦;基于圖模型的視頻推薦算法研究及實現(xiàn)[D];電子科技大學;2015年

4 侯成文;基于內(nèi)容的郵箱廣告推薦系統(tǒng)[D];北京郵電大學;2015年

5 段準;基于內(nèi)容的自適應推薦系統(tǒng)研究[D];上海交通大學;2015年

6 曹一鳴;基于協(xié)同過濾的個性化新聞推薦系統(tǒng)的研究與實現(xiàn)[D];北京郵電大學;2013年

7 牛賀;基于PLSA模型的推薦算法研究與實現(xiàn)[D];東北大學;2012年

本文編號：2533821