基于內(nèi)容和用戶偏好學(xué)習(xí)的個(gè)性化商品推薦模型.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，信息過載現(xiàn)象使得用戶處理海量數(shù)據(jù)并從中找到有效信息的代價(jià)越來越高，個(gè)性化推薦應(yīng)運(yùn)而生。電子商務(wù)是個(gè)性化推薦鄰域的重要應(yīng)用之一，如何從海量商品集中高效地為用戶推薦個(gè)性化商品成為近年來研究熱點(diǎn)。由于隱式反饋數(shù)據(jù)量大且易獲取，專家學(xué)者逐漸將研究重心從顯式評分推薦轉(zhuǎn)移到隱式反饋推薦，其中以BPR(Bayesian Personalized Ranking)為主流模型。電商隱式反饋具有數(shù)據(jù)量大、存在固有噪聲及正負(fù)樣本極

2、不均衡等特點(diǎn)，且性能要求高，現(xiàn)有模型無法直接應(yīng)用，因此本文從采樣策略和用戶偏好定義兩方面對BPR進(jìn)行改進(jìn)，旨在同時(shí)提高商品推薦的精度和效率。
　　本研究主要內(nèi)容包括：⑴提出一種基于內(nèi)容的混合采樣策略的BPR改進(jìn)算法。該算法同時(shí)考慮商品對信息值、商品內(nèi)容及用戶潛在偏好三個(gè)因素，選擇高質(zhì)量、高可比及高可信的樣本進(jìn)行模型訓(xùn)練，真實(shí)電商數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，其在各項(xiàng)評估指標(biāo)上都優(yōu)于BPR且比現(xiàn)有采樣改進(jìn)算法能更快收斂。⑵提出一種基于內(nèi)容和用