基于用戶點擊流數(shù)據(jù)挖掘的推薦系統(tǒng)研究.pdf

1、隨著信息時代的到來，互聯(lián)網(wǎng)上的信息呈現(xiàn)爆炸式增長，人們開始面臨信息過載問題，找到自己需要的信息開始變得具有挑戰(zhàn)性。信息過濾技術應運而生，信息過濾技術旨在為用戶過濾掉無用信息，幫助用戶精準快速的獲取信息。推薦系統(tǒng)是信息過濾技術的一種具體應用，旨在幫助用戶從海量信息內容中找到用戶感興趣的信息，并發(fā)掘用戶可能感興趣的物品。推薦系統(tǒng)將這些物品形成一個短小的推薦列表呈現(xiàn)給用戶，從而提高信息提供商對客戶的吸引力以及用戶的使用體驗。推薦系統(tǒng)已經成為現(xiàn)

2、代互聯(lián)網(wǎng)內容提供商的不可或缺的模塊，比如電商網(wǎng)站包括京東，亞馬遜等都在網(wǎng)站首頁展示給用戶個性化的物品推薦。這些推薦的物品常常是因人而異的，商家會根據(jù)用戶的瀏覽記錄分析和挖掘用戶的興趣，推薦與用戶興趣相匹配的物品。而用戶也會有更大的概率發(fā)現(xiàn)自己喜歡的物品，免去了從海量商品中去隨機搜尋的過程。
　　本文研究的出發(fā)點就是通過分析用戶在瀏覽網(wǎng)站時的點擊記錄數(shù)據(jù)，建立用戶的興趣分布，并分析用戶興趣變化過程，進而將該過程融合到推薦算法來，設法

3、提高推薦系統(tǒng)的實時性與準確性。本文基于傳統(tǒng)的LDA算法提出了改進的Ses-ion-based LDA算法，該算法利用了用戶興趣的間斷性，即用戶在某一個連續(xù)的瀏覽記錄段內會表現(xiàn)比較一致的興趣，而在不同的時間段內興趣分布又比較分散。本文在真實數(shù)據(jù)集上驗證了這個假設的合理性，并且基于這個假設，將興趣的間斷性原則融合到LDA算法中，形成了一個帶有兩個參數(shù)的Session-based LDA算法。其中第一個參數(shù)λ0可以用來控制用戶在一個時間段內的

4、興趣是否與用戶總體的興趣分布一致，另一個參數(shù)λ1用來控制用戶興趣隨時間發(fā)生跳轉的概率大小。通過這兩個參數(shù)的調節(jié)，可以更好的對用戶的行為進行建模，從而提出更合理的用戶興趣分布函數(shù)，實現(xiàn)更加精準的推薦效果。本文在三個真實的數(shù)據(jù)上驗證的改進算法的有效性，相比傳統(tǒng)的LDA算法，準確性都得到提高。并認為該算法應該有較好普適性，因為通過調節(jié)參數(shù)λ0與λ1的值，可以使得Session-based LDA可以擬合不同的數(shù)據(jù)集，即使在最壞的情況下也可調節(jié)