結合潛在屬性的協(xié)同過濾模型研究.pdf

1、隨著網絡日益普及和使用電子商務平臺進行購物的用戶越來越多，電商的商品種類和信息也越來越龐大，海量的商品和平臺信息往往消耗掉網購用戶大量的時間和精力進行查找商品或檢索相關信息。對于電商，也會因為其不良用戶體驗而導致客戶量的減少。為了減小在海量信息面前用戶的負擔，使得信息被更加高效的發(fā)掘和利用，個性化推薦系統(tǒng)的概念被提出、研究、實踐和發(fā)展，當前已被開發(fā)出多種推薦算法，并使用在不同的場合下來幫助電子商務網站為顧客提供個性化的信息服務和決策支持

2、。另外，推薦系統(tǒng)也廣泛的被應用到其他各類信息及社交平臺，為用戶動態(tài)地推薦其所感興趣的對象，例如電影、書籍等，甚至可以進行跨領域的推薦，從而可以廣泛并深入的挖掘用戶的興趣點及喜好，使得用戶對相應信息平臺的使用更加充分，同時也增加了用戶對系統(tǒng)的忠誠度。
　　本文首先從宏觀上對推薦系統(tǒng)的含義、構造、作用進行介紹，針對核心的推薦算法進行研究、改進，從準確率上對算法的優(yōu)化結果進行驗證。協(xié)同過濾是當前被廣泛應用的一種推薦算法，它具有較好推薦的

3、準確性、多樣性及拓展性。協(xié)同過濾包含以模型為基礎的協(xié)同過濾和以內存為基礎的協(xié)同過濾兩大類算法，其中，基于內存的算法又包括基于項目與基于用戶兩種。但它們存在共有的缺點是數據稀疏，難以處理大數據量影響即時結果，因此發(fā)展出基于模型的協(xié)同過濾算法。該算法是先通過歷史數據學習得到預測模型，再利用該模型進行預測。
　　雖然協(xié)同過濾作算法在當前電子商務中應用廣泛，協(xié)同過濾算法仍然存在著一些缺陷，其主要的缺點有：推薦的準確度問題、可擴展性問題、實

4、時性問題、冷啟動問題。
　　為了克服協(xié)同過濾算法中存在的弊病，本文提出了一個基于學習分類預測模型的統(tǒng)一模型（結合潛在屬性的協(xié)同過濾模型），它統(tǒng)一了用戶和項目的外部屬性和潛在屬性來提供更加準確的推薦服務。將協(xié)同過濾推薦問題映射到文本分析處理問題，利用概率潛在語義分析 PLSA來分析用戶歷史評分數據，并計算用戶和項目的潛在屬性。該方法分兩個步驟：第一步，使用歷史評分數據來計算獲取用戶和項目的潛在屬性；第二步，使用傳統(tǒng)的近似函數學習模型