算法方案-商品品質(zhì)特征的推薦

1、基于商品品質(zhì)特征的推薦算法基于商品品質(zhì)特征的推薦算法摘要：摘要：個(gè)性化推薦算法中應(yīng)用最廣泛的是基于內(nèi)容的算法和協(xié)同過(guò)濾算法及它們的組合推薦算法。協(xié)同過(guò)濾算法面臨稀疏性、新項(xiàng)目問(wèn)題，基于內(nèi)容的算法不考慮其它用戶的評(píng)分。本文提出了特征向量，每個(gè)特征帶有一個(gè)權(quán)值，用戶和商品都有特征向量文件。利用用戶的評(píng)分記錄構(gòu)建用戶的特征向量文件并同時(shí)作用于商品的特征向量文件。利于用戶和商品的特征向量文件進(jìn)行推薦。實(shí)驗(yàn)結(jié)果表明本文提出的算法在推薦準(zhǔn)確度和計(jì)算

2、效率方面要優(yōu)于經(jīng)典的算法。關(guān)鍵字：關(guān)鍵字：推薦系統(tǒng)特征向量組合推薦1.引言隨著Inter上信息的爆炸式增長(zhǎng)，用戶面臨著嚴(yán)峻的信息過(guò)載問(wèn)題[1][2][3]。用戶為了找到想要的信息，需要花很多時(shí)間和精力去搜索和選擇。在這種背景下，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生，它可以幫助用戶從信息的海洋中獲取有用的信息和知識(shí)。主流的推薦方法基本包括以下幾種：基于內(nèi)容推薦，協(xié)同過(guò)濾推薦，基于知識(shí)推薦和組合推薦?；趦?nèi)容的推薦源于一般的信息檢索方法，對(duì)象使用通過(guò)特征

3、提取方法得到的對(duì)象內(nèi)容特征來(lái)表示，系統(tǒng)基于用戶所評(píng)價(jià)對(duì)象的特征，學(xué)習(xí)用戶的興趣，從而考察用戶資料與待預(yù)測(cè)項(xiàng)目相匹配的程度。協(xié)同過(guò)濾的基本思想是找到與當(dāng)前用戶相似的其他用戶來(lái)計(jì)算對(duì)象對(duì)該用戶的效用值，利用效用值對(duì)所有對(duì)象進(jìn)行排序或加權(quán)操作，從而找到最合適的對(duì)象?；谥R(shí)的推薦利用針對(duì)特定領(lǐng)域制定規(guī)則來(lái)進(jìn)行基于規(guī)則和實(shí)例的推理。組合推薦則是通過(guò)組合幾種不同的推薦方法，用以避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)。在已有研究的基礎(chǔ)上，本文提出了一種新的基

4、于內(nèi)容的推薦算法，該算法在考慮商品特征的基礎(chǔ)上對(duì)用戶評(píng)分進(jìn)行統(tǒng)計(jì)分析，使推薦的商品更加真實(shí)的反映用戶的興趣和商品的品質(zhì)。實(shí)驗(yàn)結(jié)果表明，該算法能有效提高推薦質(zhì)量，具備較好的實(shí)時(shí)性，產(chǎn)生較好的推薦效果。2.改進(jìn)的基于內(nèi)容的推薦算法基于內(nèi)容的過(guò)濾(contentbasedfiltering)是基于內(nèi)容抽取項(xiàng)目特征屬性的推薦技術(shù)，項(xiàng)目或?qū)ο笸ㄟ^(guò)相關(guān)特征的屬性來(lái)定義，系統(tǒng)通過(guò)學(xué)習(xí)用戶已評(píng)價(jià)過(guò)的商品的特征來(lái)獲得對(duì)用戶興趣的描述。像新聞組過(guò)濾系統(tǒng)Ne

5、wsWeeder這樣的文本推薦系統(tǒng)用它們的文本詞匯作為特征。傳統(tǒng)的商品特征從商品中的描述中提取出商品的特征，一旦提取完成，便不再改變。通過(guò)這種方法提取出來(lái)的商品特征無(wú)法反映出該商品在同類商品中的品質(zhì)和口碑，而商品品質(zhì)是用戶關(guān)心的屬性。消費(fèi)者對(duì)商品的品質(zhì)具有投票權(quán)，因此商品的品質(zhì)隱藏在它所得到的評(píng)價(jià)之中。本文通過(guò)在商品配置文件中為每個(gè)特征詞增加流行權(quán)值和品質(zhì)權(quán)值的方式來(lái)挖掘出這些信息。評(píng)分矩陣商品初始特征集本文以特征向量空間來(lái)表示用戶興趣

6、，基本思想是一個(gè)n維特征向量：(...)，其每一維由特征詞、評(píng)分總和和特征權(quán)值組成。3.2商品特征品質(zhì)度量公式用戶對(duì)商品的評(píng)分表明了用戶對(duì)該商品的品質(zhì)的態(tài)度。同樣的商品在不同愛(ài)好的人群中會(huì)得到不同的得分。比如一部動(dòng)作片在喜歡看動(dòng)作片的人群中得分較高，而在喜歡看喜劇片的人群中得分可能較低。因此本文結(jié)合用戶的興趣偏好和評(píng)分矩陣來(lái)生成商品的品質(zhì)特征集。定義5商品特征品質(zhì)權(quán)值：商品m被所有包含特征k的用戶的正偏差評(píng)分總和????mkUTUjjm

7、kmMR)(定義6商品特征流行權(quán)值：商品m被所有包含特征k的用戶的正偏差評(píng)分總和??????????0001)()()(jijiTUikikikmMCmk??通過(guò)引入商品特征品質(zhì)權(quán)值可以解決問(wèn)題1，即可以找出兩個(gè)相同特征的商品中更優(yōu)質(zhì)的商品。3.3模型的更新本文中對(duì)模型的更新主要來(lái)自兩個(gè)方面：用戶評(píng)分和遺忘處理。用戶評(píng)分分為顯式評(píng)分和隱式評(píng)分，顯式評(píng)分即用戶主動(dòng)打分，隱式評(píng)分即用戶通過(guò)點(diǎn)擊、購(gòu)買等行為表示感興趣。兩種評(píng)分都可以轉(zhuǎn)換為一個(gè)

8、評(píng)分權(quán)值進(jìn)行處理。本文中的模型支持增量處理。設(shè)用戶i對(duì)商品m的評(píng)分權(quán)值為r，k是商品m中的特征，則有：rkiFRkiFRoldnew??)()(1)()(??kiFCkiFColdnew用戶的興趣不是一成不變的，同樣的商品在不同時(shí)期也會(huì)得到不同的品質(zhì)評(píng)價(jià)。根據(jù)心理學(xué)的記憶遺忘理論，可以認(rèn)為用戶興趣的改變就是一種記憶遺忘現(xiàn)象。用戶的評(píng)價(jià)對(duì)個(gè)性化推薦的參考價(jià)值隨著時(shí)間的流逝而降低。設(shè)有一個(gè)理想的遞增函數(shù)，則有)(t?nnrtrtrtrtki