基于概率分類模型的個性化推薦算法研究.pdf

1、在信息過載的時代,用戶如何從海量的信息中找到自己感興趣的內(nèi)容,以及信息提供者如何精準地為用戶提供信息,都是比較困難的事情。個性化推薦系統(tǒng)能夠自動跟蹤用戶的興趣特征,并精準地為用戶推薦可能感興趣的商品、網(wǎng)頁等,從而解決用戶獲取信息的效率問題。
　　傳統(tǒng)基于用戶(User-based)和基于對象(Item-based)的個性化推薦算法面臨數(shù)據(jù)稀疏性問題和冷啟動問題,在數(shù)據(jù)稀疏的情況下,推薦系統(tǒng)沒有足夠的信息為用戶進行準確推薦。

2、　　為了解決個性化推薦中的數(shù)據(jù)稀疏和冷啟動問題,本文將個性化推薦問題看成是一個概率分類問題,結(jié)合傳統(tǒng)的Item-based算法思想,將用戶過去的評分信息作為一個重要的分類依據(jù)建模到該分類模型中,并且引入用戶信息、對象信息、時間等上下文信息到模型中作為分類依據(jù)。在對用戶過去的評分信息進行處理的時候,同樣可能因相似度不能計算導致算法無法繼續(xù)的問題,本文采用一種模擬隨機填充的方式來解決。
　　本文使用經(jīng)典的廣義線性概率分類方法:Logi

3、stic分類方法和最大熵分類方法來對本文的概率分類模型進行學習。先對Logistic分類模型和最大熵分類模型的原理進行介紹,然后通過Logistic分類方法和最大熵分類方法來對前面提到的概率分類問題進行建模,得到基于 Logistic的個性化推薦分類模型(LC)和基于最大熵原理的個性化推薦分類模型(MaxEnt)。
　　最后在實際的交易數(shù)據(jù)集上進行實驗,先對本文的LC模型和MaxEnt進行參數(shù)調(diào)優(yōu),然后與傳統(tǒng)的算法進行對比,本文的