基于用戶偏好多樣性的推薦算法研究及應(yīng)用.pdf

1、近年來(lái)，隨著互聯(lián)網(wǎng)技術(shù)的日益發(fā)展和普及，與個(gè)性化推薦相關(guān)的服務(wù)被廣泛應(yīng)用到生活的方方面面。個(gè)性化推薦技術(shù)不僅能夠從海量信息中幫助用戶發(fā)現(xiàn)想要的內(nèi)容，而且還能夠給商家?guī)?lái)巨大的經(jīng)濟(jì)收益。推薦系統(tǒng)通過(guò)分析用戶之前的行為數(shù)據(jù)，能夠挖掘出用戶的興趣偏好，從而給用戶提供精準(zhǔn)的推薦內(nèi)容和服務(wù)。本文的主要內(nèi)容分別從顯式（用戶的評(píng)論）和隱式（用戶的瀏覽行為）兩種方式來(lái)分析和挖掘用戶的偏好信息，從而分別給用戶推薦商家和給商家推薦新客戶。如何融合用戶的偏好

2、信息到推薦模型中，以及數(shù)據(jù)本身存在的稀疏性和異構(gòu)型給推薦系統(tǒng)帶來(lái)了很大挑戰(zhàn)。于是本文分別提出了相應(yīng)的模型來(lái)解決上述挑戰(zhàn)，具體來(lái)說(shuō)，包括以下兩方面的內(nèi)容。
　　第一，針對(duì)用戶顯式偏好的研究問(wèn)題，本文提出了一種基于用戶評(píng)論信息的商家推薦模型。用戶的評(píng)論信息蘊(yùn)含了用戶對(duì)商家不同方面的偏好信息，通過(guò)有效的建模和算法設(shè)計(jì)來(lái)融合這些信息可以極大地提升個(gè)性化推薦的效果。具體來(lái)說(shuō)，本文提出了一個(gè)融合用戶偏好信息到協(xié)同過(guò)濾的概率圖推薦模型。然后本文

3、使用了一種基于高斯模型的優(yōu)化方法來(lái)訓(xùn)練模型的參數(shù)。最終本文在兩個(gè)典型的數(shù)據(jù)集上驗(yàn)證了模型的有效性和可擴(kuò)展性。實(shí)驗(yàn)結(jié)果表明本文提出的融合用戶偏好信息的概率圖推薦模型在平均絕對(duì)誤差(MAE)，均方根誤差(RMSE)和召回率(RECALL)等指標(biāo)上要優(yōu)于傳統(tǒng)的方法，而且在冷啟動(dòng)問(wèn)題上表現(xiàn)也要好于基線方法。
　　第二，針對(duì)用戶隱式偏好的研究問(wèn)題，本文構(gòu)建了一個(gè)融合用戶瀏覽和購(gòu)買信息的新客推薦模型。在電商領(lǐng)域中，用戶拉新對(duì)商家推廣和增加品牌

4、影響力具有十分重要的意義。用戶在站內(nèi)的歷史瀏覽信息和購(gòu)買信息很大程度上反映了用戶的興趣偏好，通過(guò)合理的建模和有效的算法來(lái)融合這些信息能夠提高新客推薦的效果。具體來(lái)說(shuō)，本文提出了一個(gè)融合商品Embedding信息的多層神經(jīng)網(wǎng)絡(luò)推薦模型。首先基于用戶的歷史瀏覽商品序列將品牌和店鋪等商品對(duì)應(yīng)的屬性進(jìn)行Embedding。然后結(jié)合用戶的用戶畫像信息和瀏覽購(gòu)買信息將每一個(gè)用戶表示成一個(gè)多維向量，接著輸入給多層的神經(jīng)網(wǎng)絡(luò)模型。最終本文在一個(gè)電商公司