基于混合模型的商品購買預測.pdf

1、面對目前互聯網日益劇增的信息量，用戶們越來越需要能主動推薦所需信息的工具——推薦系統(tǒng)。目前，推薦系統(tǒng)領域正面臨著數據稀疏和冷啟動問題，而且傳統(tǒng)的推薦方法很難滿足用戶越來越多的個性化需求，因此很多學者嘗試將用戶在網絡上留下的多種個性化信息集成到推薦方法中，從額外的信息中學習用戶的興趣，從而為用戶提供更好的推薦。目前，比較常用的信息有用戶的社會網絡信息，用戶為物品貼的標簽信息，用戶和其他用戶之間的信任關系，用戶的地理位置信息等。但是，經過調

2、查研究發(fā)現，大多數研究者僅僅利用了一種附加信息，即有的只研究基于社會網絡信息的推薦，有的僅僅研究基于標簽的推薦，有的只研究基于地理位置的推薦。不得不說，每一種研究都為后來人提供了很多寶貴的經驗和財富，讓后來人更加了解每種信息對于推薦的影響和效果。可是，從另一角度理解，如果每種單個信息都能很好的輔助推薦，那么同時利用多種信息應該可以得到更加精確的推薦，更有助于緩解推薦系統(tǒng)面臨的數據稀疏和冷啟動問題。基于這樣的想法，本文進行了兩次實驗，分別

3、在不同的推薦方法中嘗試集成多種信息，驗證同時利用多種信息是否比只利用一種信息更加有助于提升推薦效果。
　　本文主要工作如下:
　　(1)針對目前協(xié)同過濾方法存在的數據稀疏性、冷啟動以及未能有效利用用戶社會網絡信息、標簽信息提高推薦質量等問題，提出了基于社會網絡的協(xié)同過濾算法，基于標簽的協(xié)同過濾算法以及基于社會網絡和標簽的協(xié)同過濾算法，提高推薦質量。
　　(2)針對現有矩陣分解方法進行分析和改進，設計了基于標簽和類別信息

4、加權的矩陣分解推薦方法，提高推薦質量。
　　其主要創(chuàng)新點如下:
　　(1)在基于用戶的協(xié)同過濾方法基礎上，逐步集成用戶的社會網絡關系和標簽信息，分析每種信息對于推薦結果的影響;將兩種信息同時集成到基于用戶的協(xié)同過濾方法中時，同時借助用戶的社會網絡關系和評分數據尋找用戶k近鄰，利用用戶的社會網絡關系拓展冷啟動用戶信息，并利用標簽為用戶和物品建模，計算用戶對物品的偏好。
　　(2)在基于矩陣分解的推薦方法中同時考慮用戶正則