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，隨著互聯(lián)網(wǎng)技術(shù)的日益發(fā)展和普及，與個性化推薦相關(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)砭薮蟮慕?jīng)濟收益。推薦系統(tǒng)通過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（用戶的評論）和隱式（用戶的瀏覽行為）兩種方式來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)帶來了很大挑戰(zhàn)。于是本文分別提出了相應(yīng)的模型來解決上述挑戰(zhàn)，具體來說，包括以下兩方面的內(nèi)容。
　　第一，針對用戶顯式偏好的研究問題，本文提出了一種基于用戶評論信息的商家推薦模型。用戶的評論信息蘊含了用戶對商家不同方面的偏好信息，通過有效的建模和算法設(shè)計來融合這些信息可以極大地提升個性化推薦的效果。具體來說，本文提出了一個融合用戶偏好信息到協(xié)同過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)化方法來訓練模型的參數(shù)。最終本文在兩個典型的數(shù)據(jù)集上驗證了模型的有效性和可擴展性。實驗結(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誤差(MAE)，均方根誤差(RMSE)和召回率(RECALL)等指標上要優(yōu)于傳統(tǒng)的方法，而且在冷啟動問題上表現(xiàn)也要好于基線方法。
　　第二，針對用戶隱式偏好的研究問題，本文構(gòu)建了一個融合用戶瀏覽和購買信息的新客推薦模型。在電商領(lǐng)域中，用戶拉新對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買信息很大程度上反映了用戶的興趣偏好，通過合理的建模和有效的算法來融合這些信息能夠提高新客推薦的效果。具體來說，本文提出了一個融合商品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應(yīng)的屬性進行Embedding。然后結(jié)合用戶的用戶畫像信息和瀏覽購買信息將每一個用戶表示成一個多維向量，接著輸入給多層的神經(jīng)網(wǎng)絡(luò)模型。最終本文在一個電商公司