首页> 中文学位 >融合人格特质和物品标签的单分类协同过滤方法研究
【6h】

融合人格特质和物品标签的单分类协同过滤方法研究

代理获取

目录

声明

致谢

摘要

第一章 绪论

1.1 研究背景和选题意义

1.1.1 研究背景

1.1.2 选题意义

1.2 国内外研究现状和问题分析

1.2.1 稀疏性和冷启动问题

1.2.2 人格与偏好的关系研究

1.2.3 问题分析

1.3 主要研究内容及论文结构

1.3.1 主要研究内容

1.3.2 论文结构

第二章 单分类协同过滤基础模型

2.1 相似性度量方法

2.1.1 杰卡德相似

2.1.2 余弦相似和修正的余弦相似

2.1.3 皮尔森相关性

2.1.4 其他距离相似性计算方法

2.2 基于内存的协同过滤

2.2.1 基于用户的协同过滤

2.2.2 基于产品的协同过滤

2.3 基于模型的协同过滤

2.3.1 矩阵分解模型

2.3.2 加权正则矩阵分解模型

第三章 融合人格特质的单分类协同过滤方法

3.1 大五人格理论

3.2 融合人格特质的单分类协同过滤模型

3.2.1 基于人格特质的用户相似计算

3.2.2 基于人格特质的近邻方法

3.2.3 基于人格特质的矩阵分解模型

3.3 实验验证

3.3.1 实验使用的数据集

3.3.2 评价指标

3.3.3 实验结果

3.3.4 敏感性分析

3.4 本章小结

第四章 融合人格特质和物品标签的单分类协同过滤方法

4.1 物品标签相关知识

4.2 融合人格特质和物品标签的矩阵分解模型

4.2.1 用户兴趣标签库的构建

4.2.2 基于人格特质和用户兴趣标签库的矩阵分解模型

4.3 实验验证

4.3.1 实验使用的数据集

4.3.2 评价指标

4.3.3 实验结果

4.3.4 敏感性分析

4.4 本章小结

第五章 总结与展望

5.1 论文工作总结

5.2 未来展望

参考文献

攻读硕士学位期间的学术活动及成果情况

展开▼

摘要

个性化推荐系统,现如今已经成为了各类电子商务公司为了满足客户需求的重要工具。但是,在线用户的不断扩充以及产生大量的信息,如何利用这些信息并准确地提供了个性化的内容和服务变得越来越具有挑战性。传统的推荐模型过于依赖用户的偏好评分,而且还常常受到数据稀疏性问题的影响。单分类协同过滤模型更适用于电子商务真实的情况但由于其数据缺失值较多且类别极度不平衡,因此在物品推荐上还有明显的不足之处,如数据稀疏性问题和冷启动问题。为了应对上述的挑战,当前很多研究致力于识别数据中的正例和负例,本文使用用户的人格特质信息和物品标签信息作为补充信息在加权正则矩阵分解模型的基础上提出了两种负例权重策略:一种是利用人格特质信息计算用户对产品的偏好程度,另一种是联合人格特质和物品标签信息计算用户对产品的偏好程度。其负例权重策略基于的基本思想是:用户对产品的偏好程度越大,该缺失项是负例的可能性就越小。在公开数据集LastFM上的实验结果表明本文提出的模型能够提高传统单分类协同过滤模型的性能并有效缓解了数据稀疏性问题和新用户冷启动问题。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号