發(fā)布時間：2024-03-22 06:04

　　推薦系統(tǒng)是人們從海量信息中獲取所需信息的重要手段。它的目標(biāo)是連接用戶和信息。然而,目前多數(shù)推薦系統(tǒng)的推薦依據(jù)是用戶實(shí)時行為數(shù)據(jù)和用戶歷史行為數(shù)據(jù)。當(dāng)推薦系統(tǒng)內(nèi)的用戶數(shù)據(jù)量不能達(dá)到推薦要求時,就會出現(xiàn)推薦系統(tǒng)的用戶冷啟動現(xiàn)象。因此推薦系統(tǒng)需要對用戶冷啟動情景做區(qū)分推薦處理,緩解用戶冷啟動現(xiàn)象導(dǎo)致的推薦效果下降問題。用戶冷啟動現(xiàn)象也是當(dāng)前推薦領(lǐng)域普遍面臨的問題。為了緩解冷啟動用戶因缺少歷史行為數(shù)據(jù)造成的推薦效果大幅下降現(xiàn)象,本論文基于音樂熱評混合推薦平臺的構(gòu)建,針對服務(wù)用戶冷啟動環(huán)境的混合推薦系統(tǒng)進(jìn)行了研究。使用異步網(wǎng)絡(luò)爬蟲獲取當(dāng)前網(wǎng)絡(luò)平臺上存在的音樂熱門評論及相關(guān)數(shù)據(jù),使用多種推薦算法構(gòu)建混合推薦引擎,使音樂熱評混合推薦平臺的冷啟動用戶也可以獲得個性化的音樂熱門評論推薦,滿足冷啟動用戶對音樂熱門評論的獲取需求,提升冷啟動用戶對整個推薦系統(tǒng)的推薦滿意度。本文的主要工作包括以下方面。首先,本論文研究了用戶冷啟動問題的解決機(jī)制和用戶對音樂熱門評論的獲取需求,分析了各種網(wǎng)絡(luò)爬蟲框架各自擅長的業(yè)務(wù)場景和功能,結(jié)合分布式數(shù)據(jù)庫MongoDB和關(guān)系型數(shù)據(jù)庫SQLite,構(gòu)建了一套基于Scrapy爬蟲框...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－１平臺需求用例圖??３．２平臺架構(gòu)??

山東大學(xué)碩士學(xué)位論文??的耦合性，使各功能模塊更容易擴(kuò)展是非常重要的。如信息獲取模塊的擴(kuò)展，平??臺用戶可能對某一數(shù)據(jù)比較感興趣，則需要對數(shù)據(jù)獲取模塊獲取的字段進(jìn)行擴(kuò)展，??增添用戶需要的字段；另外隨著推薦技術(shù)的發(fā)展，推薦算法也在不斷的更新，為??了提升推薦效果，需要對推薦模塊進(jìn)....

圖３－３平臺流程圖??３．４本章小結(jié)??

山東大學(xué)碩士學(xué)位論文??（開始）?？麵麵?？?ｍｍｍ?？評論召回??Ｉ￣￣｜?結(jié)果』謝濾??是?否??Ｉ??ＦＭ算法?Ｂａｎｄｉｔ算法??Ｔ??????鋪錯？崠?？纖展示—＜?額）??圖３－３平臺流程圖??３．４本章小結(jié)??本章主要介紹了音樂熱評混合推薦平臺的需求分析、平臺的整體....

圖４－３推薦模塊流程圖??４．３．１評論熱度召回??大多數(shù)的個性化推薦算法需要充足的數(shù)據(jù)才能學(xué)習(xí)出能夠進(jìn)行個性化推薦??

山東大學(xué)碩士學(xué)位論文??使用因子分解機(jī)（Ｆａｃｔｏｒｉｚａｔｉｏｎ?Ｍａｃｈｉｎｅ）或引入上下文信息的Ｂａｎｄｉｔ算法對召??回結(jié)果進(jìn)行排序，完成推薦服務(wù)。??包含召回及排序模塊的推薦模塊如圖４－３所示：??獲取召回的苜評論???］?［???評論去重、過濾已看??ｆ?判斷打標(biāo)轟交....

圖４－４評論內(nèi)容相似召回流程圖??召回過程首先需要對原始數(shù)據(jù)進(jìn)行處理，提取出評論ＩＤ和評論的字段，需??

??ＰＶ－ＤＭ是通過上下文環(huán)境預(yù)測當(dāng)前值，原理類似于Ｗｏｒｄ２Ｖｅｃ算法中的ＣＢＯＷ??模型。而ＰＶ－ＤＢＯＷ忽略輸入的上下文，預(yù)測段落中的隨機(jī)一個單詞。類似于??Ｗｏｒｄ２ｖｅｃ中的ｓｋｉｐ－ｇｒａｍ模型。本論文采用了?ＰＶ－ＤＢＯＷ模型。??當(dāng)用戶向音樂熱評混合推薦平臺提交推....

本文編號：3934742