數(shù)據(jù)稀疏和隱性反饋條件下用戶偏好挖掘方法.pdf

1、分類號分類號學號學號M200976097學校代碼學校代碼10487密級密級碩士學位論文碩士學位論文數(shù)據(jù)稀疏和隱性反饋條件下數(shù)據(jù)稀疏和隱性反饋條件下用戶偏好用戶偏好挖掘方法挖掘方法學位申請人學位申請人郭少聃郭少聃學科專業(yè)學科專業(yè)：軟件工程軟件工程指導教師指導教師：沈剛教授教授答辯日期答辯日期：2012.2I華中科技大學碩士學位論文摘要個性化推薦服務在當前互聯(lián)網(wǎng)中隨處可見，比如電子商務中的商品推薦系統(tǒng)、搜索引擎網(wǎng)站的個性化搜索等。這樣的應用

2、需要對用戶的個人偏好有很好的理解。用戶偏好挖掘不是簡單的向用戶推薦具體項目，而是要理解用戶對項目的某種屬性的偏愛。它可以被歸納為一個協(xié)同過濾問題，但面臨更多挑戰(zhàn)，這是由用戶數(shù)據(jù)的特點決定的。首先，數(shù)據(jù)是極度稀疏的。單一用戶在某一領域中對具體項目的隱性反饋是非常稀有的，可想而知，多用戶間共享屬性信息也是極度稀有的。其次，隱性反饋，用戶不會對項目的具體屬性做出直接的評分。從這樣的數(shù)據(jù)中只能得到正反饋，從用戶對某項目的行為中推測其偏好。協(xié)同過

3、濾技術很早就在推薦系統(tǒng)中得到了廣泛的應用。它利用相似用戶的用戶很大概率會擁有相似的品味這一基本假設，對特定用戶的偏好和行為做出預測，也在實際應用中取得了較好的效果。但是現(xiàn)有的協(xié)同過濾技術不能很好地解決上述兩個用戶偏好挖掘中的問題，需要進行改造。首先通過跨領域集體學習，使用戶在不同領域中的行為數(shù)據(jù)可以被相互利用，繼而學習過程將會彼此相互加強，以此解決單個域內(nèi)數(shù)據(jù)稀疏的問題。另一方面，在學習過程中引入貝葉斯個人化排序（BayesianPer

4、sonalizedRanking，簡稱BPR）優(yōu)化條件。BPR作為一種通用學習框架，在學習過程中以排序為目標進行數(shù)據(jù)擬合，取代傳統(tǒng)的以二值分類為目標的方法，以解決只有正反饋的問題。實驗證明了這種方法的優(yōu)越性。實驗采用兩種真實世界的數(shù)據(jù)集分別是用戶對電影的評分數(shù)據(jù)和用戶在搜索引擎中的搜索關鍵字數(shù)據(jù)，分別在其中挖掘用戶對演員的偏好和對商品品牌的偏好。實驗中用AUC統(tǒng)計指標比較了各種方法的挖掘結(jié)果，并且比較了它們在數(shù)據(jù)稀疏性不斷增長下的性能表