發(fā)布時間：2019-05-13 16:17

【摘要】：千禧之年,革放鼎新,信息技術(shù)浪潮席卷全世界。從PC機(jī)到筆記本,從固定電話到智能手機(jī),從閉路電視到虛擬現(xiàn)實頭盔,人們無時無刻不被數(shù)據(jù)浸潤著,物理自然與人類社會已經(jīng)悄然融入數(shù)字自然界之中。然而,人類認(rèn)知水平和認(rèn)知能力的提高卻極為有限,遠(yuǎn)不及技術(shù)發(fā)展和數(shù)據(jù)膨脹的速度,不斷增長的數(shù)據(jù)與有限的認(rèn)知能力之間形成尖銳矛盾,信息過載問題越來越受到關(guān)注和重視。作為繼搜索引擎之后興起的新星,個性化推薦系統(tǒng)通過向用戶提供更具針對性的服務(wù)而有效緩解了信息過載問題的影響。從被動等待用戶輸入檢索詞,到主動了解用戶需求,個性化推薦系統(tǒng)在解決用戶信息過載問題上具有與生俱來的巨大優(yōu)勢,被廣泛認(rèn)可。通過較為全面和系統(tǒng)的文獻(xiàn)綜述,本文揭示出當(dāng)前個性化推薦系統(tǒng)存在的主要問題在于高質(zhì)量用戶偏好數(shù)據(jù)的匱乏與種類多樣的推薦算法之間的矛盾,實乃"巧婦難為無米之炊"。用戶偏好乃個性化推薦系統(tǒng)之基,當(dāng)前用戶偏好獲取存在兩個方面的不足:一是基本數(shù)據(jù)分析來源的用戶評分、評論和標(biāo)簽等標(biāo)注行為發(fā)生頻率非常低,容易產(chǎn)生數(shù)據(jù)稀疏問題;二是日志分析粒度太粗,畢竟日志分析以單頁為基本單元而用戶在特定網(wǎng)頁并非均勻瀏覽而是不同部分有不同的側(cè)重,從而無法具體得到用戶更為精準(zhǔn)的偏好信息。因此,本論文從用戶日常發(fā)生頻率最高的瀏覽行為入手,利用心理學(xué)眼動實驗證明屏幕視覺熱區(qū)的存在并探究其影響因素,借助屏幕視覺熱區(qū)可將用戶實時注視的網(wǎng)頁內(nèi)容進(jìn)行抓取并析出關(guān)鍵詞作為用戶偏好數(shù)據(jù)的基本來源;繼而,采用自組織聚類方法將所有偏好數(shù)據(jù)完整映射至即時偏好、短期偏好和長期偏好三層結(jié)構(gòu)之上;此外,對用戶評論與評分不一致的現(xiàn)象進(jìn)行了修正,意圖使用更為真實客觀的評分與評價信息向用戶呈現(xiàn)推薦的原因;最后,以用戶為中心,通過對用戶與推薦系統(tǒng)交互行為的觀察及用戶即時、短期及長期偏好的充分利用,提出交互收斂式個性化推薦算法進(jìn)行實時推薦,力圖確保推薦精確性的前提下提高推薦的多樣性,從而有效提升個性化推薦系統(tǒng)的可用性、易用性及用戶滿意度�？傮w而言,本論文以用戶為中心,著眼于解決用戶信息過載這一本質(zhì)性問題,通過解決個性化推薦系統(tǒng)現(xiàn)存頑疾而實現(xiàn)推薦系統(tǒng)中用戶個性化更為精準(zhǔn)識別的突破,進(jìn)而采用更加實時和互動性的算法為用戶進(jìn)行準(zhǔn)確而多樣的推薦。文章主要內(nèi)容如下:第1章緒論。介紹本論文的研究背景、主要概念、研究目的、研究內(nèi)容、研究方法、主要創(chuàng)新點(diǎn)及其理論與現(xiàn)實意義。第2章個性化推薦系統(tǒng)研究綜述。按照認(rèn)知論、方法論和矛盾論的邏輯線索對個性化推薦系統(tǒng)的當(dāng)前研究現(xiàn)狀進(jìn)行了梳理,介紹了個性化推薦系統(tǒng)滿意化研究及外圍相關(guān)研究的進(jìn)展,并指出個性化推薦系統(tǒng)面對的五大根本矛盾。第3章用戶為中心的個性化推薦系統(tǒng)理論體系。主要包括個性化推薦系統(tǒng)的歷史背景及相關(guān)理論、目的、類型、本質(zhì)、特征維度及其發(fā)展瓶頸。第4章基于屏幕視覺熱區(qū)的用戶偏好提取方法。通過眼動實驗證明屏幕視覺熱區(qū)的存在并進(jìn)行驗證。屏幕視覺熱區(qū)受網(wǎng)頁類型影響,因此使用雙中線法消除噪聲的網(wǎng)頁自動分類算法,并據(jù)此提出了短文本關(guān)鍵詞實時提取技術(shù)。第5章基于屏幕視覺熱區(qū)的用戶偏好復(fù)合模型。以提取屏幕視覺熱區(qū)的用戶偏好數(shù)據(jù)為基礎(chǔ),構(gòu)建融合即時、短期和長期偏好的用戶偏好復(fù)合模型。對模型進(jìn)行形式化描述和驗證,提出基于屬性的商品自組織層次聚類方法和基于興趣的用戶會話切分算法為模型實現(xiàn)提供算法支撐。第6章基于在線商品評分修正的推薦解釋。在線商品評論是用戶重要的參考,直接影響用戶最終購買意愿與購買行為。本章利用功能語言學(xué)中的評價介入理論構(gòu)筑分析體系,利用話語標(biāo)記理論構(gòu)建語料庫,設(shè)計在線商品評分修正方案并確定本文的推薦解釋風(fēng)格。第7章基于屏幕視覺熱區(qū)的交互收斂式個性化推薦方法。以用戶即時偏好為基礎(chǔ),以加權(quán)的用戶短期和長期偏好以及其他情境因子為約束條件,引入人機(jī)互動模式實現(xiàn)對用戶的引導(dǎo),從個性化推薦系統(tǒng)與用戶的實時互動中進(jìn)行個性化推薦,通過不斷疊加約束條件而迅速收斂到用戶滿意的結(jié)果范圍。第8章總結(jié)與展望�？偨Y(jié)全文的主要研究內(nèi)容和創(chuàng)新性貢獻(xiàn),指出本研究的局限和不足之處,繼而對未來研究方向和研究路徑進(jìn)行較為詳細(xì)的說明。本研究的創(chuàng)新之處主要體現(xiàn)在:理論上,明確指出個性化推薦系統(tǒng)的本質(zhì)不是算法而是認(rèn)知助手,構(gòu)建了推薦內(nèi)容(What)、推薦策略(How)、推薦解釋(Why)和推薦時機(jī)(When)的H3W個性化推薦系統(tǒng)理論體系,以及綜合即時偏好、短期偏好和長期偏好的用戶復(fù)合偏好模型。方法上,首先,借助心理學(xué)實驗發(fā)現(xiàn)了屏幕視覺熱區(qū),并據(jù)此從用戶實時瀏覽行為中提取用戶即時偏好,在基于雙中線法消除噪聲的網(wǎng)頁自動分類算法和短文本關(guān)鍵詞實時提取方法的基礎(chǔ)上,實現(xiàn)了用戶偏好的實時提取;繼而,通過基于屬性的商品自組織層次聚類方法和用戶會話切分算法,從海量即時偏好數(shù)據(jù)中提煉用戶短期和長期偏好;再次,引入功能語言學(xué)中的評價介入理論構(gòu)筑分析體系,利用話語標(biāo)記理論構(gòu)建語料庫,確定在線商品評分修正方案及推薦解釋風(fēng)格;最后,以用戶歷史行為、偏好復(fù)合模型、即時交互行為為約束條件,開發(fā)原型系統(tǒng)測試并驗證了交互收斂式個性化推薦方法,與傳統(tǒng)推薦方法相比本文方法不僅具有更高的精確性和用戶滿意度,還能有效解決推薦算法實時性差、未登錄用戶偏好提取難等問題。
[Abstract]:......
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.3
，

本文編號：2476026