基于用戶反饋信息與用戶信任度的商品推薦技術(shù)的研究.pdf

1、自互聯(lián)網(wǎng)中的信息海量化以來，信息超負荷已經(jīng)是所有網(wǎng)民即將或已經(jīng)遇到的問題，而相關(guān)性是解決信息超負荷問題眾多方法中的一種主流方法。個性化推薦在電子商務(wù)網(wǎng)站也逐漸凸顯出其重要的作用。該技術(shù)在發(fā)現(xiàn)用戶潛在需求的基礎(chǔ)上，將不相關(guān)的信息或者項目過濾掉，最后主動向用戶推薦滿足其需求的項目，以達到緩解信息過載的目的。
　　本文在以用戶—項目評分矩陣為主要甚至唯一的數(shù)據(jù)信息基礎(chǔ)的概率矩陣分解模型PMF中融入用戶與好友的社會信任關(guān)系，將好友對用戶的

2、影響線性聚合起來，得到即考慮用戶自身興趣又考慮好友興趣對其產(chǎn)生的影響的用戶潛在特征向量，對由矩陣分解得到的用戶潛在特征向量進行約束，同時會利用一個參數(shù)限制該約束的程度。并考慮項目的評論文本信息也能在一定程度上反映項目的屬性，因此利用LDA模型處理評論文本信息得到項目的主題分布向量。再利用指數(shù)函數(shù)將矩陣分解得到的項目潛在特征向量映射到主題分布向量上來，對由矩陣分解得到的項目潛在特征向量產(chǎn)生約束，最后提出基于用戶反饋信息與用戶信任度的商品推

3、薦模型（MRM）。實驗中，采用梯度下降的方法對后驗概率進行最大化，并同時優(yōu)化用戶潛在特征向量、項目潛在特征向量以及主題分布向量，得到最終的主題分布矩陣、用戶潛在特征矩陣和項目潛在特征矩陣，最終獲得用戶的預(yù)測評分。
　　本文在Yelp評論網(wǎng)站真實數(shù)據(jù)上進行實驗，本混合模型在典型的衡量推薦準確度標(biāo)準MAE和RMSE上分別提升了9.7％和8.7％，實驗結(jié)果顯示基于用戶反饋信息與用戶信任度的商品推薦模型的推薦結(jié)果優(yōu)于概率矩陣推薦算法，并驗