推荐算法应用研究.pdfVIP

4．3基于情感特征的用户相似度………………………………………………24 4．4融入基于情感特征的用户相似度的矩阵分解模型………………………24 4．5复杂度分析…………………………………………………………………27 4．3本章小结……………………………………………………………………27 第五章实验与分析…………………………………………………………………28 5．1数据集………………………………………………………………………28 5．2评测指标……………………………………………………………………28 5．3实验结果分析………………………………………………………………28 5．3．1矩阵分解模型中权衡参数仅、p的影响………………………29 5．3．2迭代次数对目标函数的影响…………………………………31 5．313算法性能比较…………………………………………………32 5．4本章小结……………………………………………………………………33 第六章总结与展望…………………………………………………………………34 参考文献……………………………………………………………………………．．35 攻读学位期间发表的学术论文……一……………………………………………一39 致谢………………………………………………………………………………………………………………40 万方数据 第一章绪论弟一旱殖化 本章主要介绍本课题的研究背景与研究意义，本文的主要工作以及组织结构。 1．1研究背景 随着互联网的快速发展，互联网上的信息量爆炸性增长。大量的信息给人们 带来方便的同时，也导致来了信息搜寻效率的降低，“信息过载”问题日益突出。 面临着大量的信息，用户必须花费人量的时间寻找所需的信息，传统的信息查找 方式越来越难以满足用户的需求。在这个背景下，个性化推荐系鲥|J在互联网服 务中应运而生。 由于信息技术的发展，推荐系统逐渐出现在我们生活中的多个领域中。卖家 通过分析用户的购买行为来为用户推荐其他的物品以提高他们的销售量，社交刚 站通过分析用户的社会化信息以用，!·特点帮助用户寻找新的朋友以提高用户满 意度，在线电台通过分析用，’收听偏好以提供更好的服务。总地来说，只要哪里 有充足的不同产舳和兴趣不【司的用户，个性化推荐系统-川-，t‘日,匕e_更好地把合适的产品 推荐给合适的用户。产6b销售葡可以利朋推荐系统来推销那些很少被购买却能产 生高额利润的长尾PJ物-铺。LL,tr：i在亚马逊，20％一40％的销售额由那些彳i在最畅销 f-1i 的10000个产品之列的产品产生的。№Lx【3J租出去的60％的DVD是基丁1个性化 推荐系统而被租出去的，视频分享网站Youtube中将近60％的点击是通过推荐系 统产生的。Schafer[4J等的讨论，认为推荐系统不仅帮助决定哪些产品被推荐给一 个特定的顾客，它们也通过推荐给顾客额外的产品增加了交叉销售，并且由于能 更好的满足客户的需求而提高了客户的忠诚度。([5]中有Amazon．conl推荐影响 的经验分析)。 因为没有推荐方法能使所有的顾客都满意，很多网站使用了不同的推荐技术， 从简单的基于流行度的推荐到复杂的基于几种推荐方法的混合推荐都有。当前推 荐系统中采用的算法主要有两种：基于内容的推荐算法和协同过滤推荐算法。基 于内容的推荐算法通过详细分析用户和物品的信息来给用户推荐物品，如用户资 料、产品描述信息等。而协同过滤则是通过分析用户对物品的历史行为来挖掘用 户与物品之间的关系，从而预测未来的用户物品关系。 万方数据 传统的协同过滤推荐算法只关注用户对物品的评分矩阵，不考虑用户、物品 的特征。而实际上这是不合理的，用户对物品的评分往往受用户及物品的各种特