基于群體動態(tài)興趣度的個性化推薦方法研究.pdf

1、隨著電子商務(wù)的蓬勃發(fā)展，近年來在整個社會物品零售額中，線上消費(fèi)的占比越來越高。與線下消費(fèi)相比，電商和廣告等在線平臺能更方便、更準(zhǔn)確地記錄用戶的瀏覽路徑和購買歷史，從而收集海量的用戶行為日志。同時用戶很難在海量的商品信息快速找到喜歡的，如何利用這些數(shù)據(jù)，提高電商運(yùn)營和用戶體驗(yàn)，這是被越來越多的工業(yè)界和學(xué)術(shù)界所關(guān)注的問題。
　　傳統(tǒng)基于用戶商品評分矩陣的推薦方法并未反映用戶對物品的興趣隨時間變化的過程，推薦的物品列表偏離了用戶的當(dāng)前真

2、實(shí)喜好。在用戶沒有明確的購買意圖去瀏覽或新用戶商品歷史交互數(shù)據(jù)稀疏下，基于用戶或商品的相似性方法缺乏較高的準(zhǔn)確性。基于群體動態(tài)興趣度的個性化推薦算法針對以上問題，加入時序特征推斷用戶對物品的動態(tài)興趣并結(jié)合用戶自身興趣度和對大眾熱點(diǎn)的關(guān)注趨勢較好的適應(yīng)推薦冷啟動?；谌后w動態(tài)興趣度的個性化推薦算法通過貝葉斯規(guī)則預(yù)測用戶興趣，并度量出時間因素對用戶興趣度變化的影響程度從而預(yù)測用戶興趣度的遷移，進(jìn)而利用加權(quán)網(wǎng)絡(luò)推斷預(yù)測用戶潛在興趣度。在此基礎(chǔ)

3、上通過聚合海量個體用戶的動態(tài)興趣從而快速有效的獲得當(dāng)前群體的共性化推薦列表。最后依賴時間因素和用戶個體行為數(shù)據(jù)的稀疏程度將兩種推薦模型有效的融合，從而為用戶提供個性化推薦服務(wù)。
　　通過使用在阿里巴巴天貓1200萬真實(shí)用戶4個月與3萬品牌的交互行為日志的數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果表明基于群體動態(tài)興趣度的個性化推薦可以在利用用戶動態(tài)興趣度變化下有效的預(yù)測用戶當(dāng)前感興趣的物品，實(shí)現(xiàn)對用戶個性化推薦，并提出了滑動窗口從而提升了推薦的精確度以及降低