發(fā)布時(shí)間：2025-02-07 20:08

　　現(xiàn)代網(wǎng)絡(luò)信息技術(shù)的快速迭代更新,使得信息流量增長(zhǎng)迅猛。當(dāng)前消費(fèi)者很難從龐大的商品信息中找到符合自己的商品。推薦系統(tǒng)針對(duì)此問(wèn)題被提出,并且諸多學(xué)者考慮了不同因素對(duì)推薦算法進(jìn)行改進(jìn)。之后提出傳統(tǒng)的矩陣分解算法從用戶(hù)和商品之間的交互行為挖掘出商品和用戶(hù)之間隱含的關(guān)系。但是,傳統(tǒng)的矩陣分解技術(shù)也有先天性的不足。基于矩陣分解的評(píng)分預(yù)測(cè)算法更多的關(guān)注商品和用戶(hù)之間隱含的關(guān)系,而忽略其他因素對(duì)評(píng)分預(yù)測(cè)的影響。本文在傳統(tǒng)的矩陣分解算法基礎(chǔ)上結(jié)合前景理論,并添加商品歷史評(píng)分因素、歷史評(píng)分?jǐn)?shù)量以及用戶(hù)自身偏好的影響,對(duì)算法進(jìn)行改進(jìn)。首先,通過(guò)統(tǒng)計(jì)分析用戶(hù)購(gòu)買(mǎi)商品的行為數(shù)據(jù),得出了商品的歷史評(píng)分對(duì)用戶(hù)評(píng)分的影響規(guī)律,通過(guò)前景理論的損失規(guī)避效應(yīng)描述該影響規(guī)律。其次,分析商品歷史評(píng)分?jǐn)?shù)量對(duì)用戶(hù)決策購(gòu)買(mǎi)的影響,并且通過(guò)回歸分析,擬合出相應(yīng)的規(guī)律曲線。再次,將商品歷史評(píng)分因素和商品歷史評(píng)分?jǐn)?shù)量與基于偏置項(xiàng)的矩陣分解模型相結(jié)合,并且分析了在這兩個(gè)因素的影響下對(duì)商品推薦的影響。最終,本文通過(guò)實(shí)驗(yàn)驗(yàn)證了考慮商品歷史評(píng)分因素和商品歷史評(píng)分?jǐn)?shù)量的評(píng)分預(yù)測(cè)算法,評(píng)分預(yù)測(cè)結(jié)果準(zhǔn)確率高于傳統(tǒng)矩陣分解模型。

【文章頁(yè)數(shù)】：49 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1基于用戶(hù)的協(xié)同過(guò)濾算法原理

圖2.1基于用戶(hù)的協(xié)同過(guò)濾算法原理Figure2.1Principleofuser-basedcollaborativefilteringalgorithm兩部分：目標(biāo)用戶(hù)興趣相似的用戶(hù)群，一般通過(guò)各種相似度計(jì)算的相似度計(jì)算方法有余弦相似度、皮爾遜相關(guān)系數(shù)、J....

圖2.2基于項(xiàng)目的協(xié)同過(guò)濾算法原理

圖2.2基于項(xiàng)目的協(xié)同過(guò)濾算法原理Figure2.Principleofproject-basedcollaborativefilteringalgorithm為兩部分：數(shù)據(jù)集中的用戶(hù)數(shù)據(jù)計(jì)算出目標(biāo)用戶(hù)之前產(chǎn)生過(guò)交互行為的度，找出與目標(biāo)用戶(hù)之前產(chǎn)生過(guò)交互行為的....

圖2.3前景理論價(jià)值函數(shù)圖

他會(huì)感覺(jué)很正常；如果說(shuō)當(dāng)他的決策最終能導(dǎo)致慮這個(gè)決定帶來(lái)的風(fēng)險(xiǎn)，避免失去預(yù)期的收益；決策最終的收益要低于預(yù)期收益1000元，那么。該理論是在博弈論中的期望效用假說(shuō)的基礎(chǔ)上能夠很好的描述人們?cè)谌粘Ｉ�活中面�?duì)風(fēng)險(xiǎn)時(shí)的心括了四個(gè)基本理論，第一是確定效應(yīng)：大多數(shù)人二是反射效應(yīng)：大多數(shù)....

圖3.1商品評(píng)分均值分布圖(0.1梯度)

商品名稱(chēng)進(jìn)行排序，然后對(duì)于每個(gè)商品，將其對(duì)應(yīng)的用戶(hù)評(píng)形成了每個(gè)商品的評(píng)分列表。比如說(shuō)，商品ID為1的商品的評(píng)分、第2個(gè)評(píng)分、第3個(gè)評(píng)分、……、第個(gè)評(píng)分。之后再排序，以此類(lèi)推將所有的商品都進(jìn)行排序。好序的數(shù)據(jù)進(jìn)行分組分析，本文將具有相似平均評(píng)分的商品應(yīng)的平均評(píng)分。....

本文編號(hào)：4031233