基于隱馬爾可夫模型的推薦算法研究.pdf

1、隨著移動互聯(lián)網(wǎng)的飛速發(fā)展，電子商務(wù)數(shù)據(jù)出現(xiàn)爆炸式增長，人們面臨著越來越嚴重的“信息過載”問題?！靶畔⑦^載”是指人們無法從海量的數(shù)據(jù)中快速準確的定位到自己所需要的信息，從而對用戶的互聯(lián)網(wǎng)行為決策造成巨大的干擾。個性化推薦系統(tǒng)是電子商務(wù)系統(tǒng)中解決這一問題的關(guān)鍵技術(shù)，個性化推薦系統(tǒng)是一種基于用戶歷史購買、評價行為挖掘技術(shù)的推薦系統(tǒng)，其目的是方便用戶對互聯(lián)網(wǎng)信息篩選，它可以預(yù)測用戶的偏好，并為用戶的購買決策提供有效的建議。如何有效的將用戶的歷史

2、評價信息與推薦技術(shù)結(jié)合是推薦系統(tǒng)的重要問題。
　　通過大量深入閱讀國內(nèi)外個性化推薦系統(tǒng)的相關(guān)文獻，發(fā)現(xiàn)主流基于用戶對項目評價的推薦算法限制較多、并且隨著用戶偏好的變化推薦準確率隨之降低。針對個體用戶評價行為出現(xiàn)的問題，提出一種基于關(guān)聯(lián)規(guī)則的思想，從用戶歷史評價數(shù)據(jù)中挖掘出用戶群組偏好的聚合行為來表達用戶的評價行為畫像，以該評價行為畫像作為用戶評分的上下文環(huán)境，從而降低推薦系統(tǒng)對用戶個體偏好轉(zhuǎn)移的敏感性。
　　在此基礎(chǔ)上，為了

3、獲得更好的用戶偏好預(yù)測效果，引入隱馬爾可夫模型(HiddenMarkov Model，HMM)對離散的評價行為畫像進行模擬。將用戶的評價序列作為觀測符號、用戶群組聚合三元評價畫像的圖模型作為隱含狀態(tài)建立HMM模型，以高斯混合模型(Gaussian Mixture Model，GMM)描述HMM的混淆矩陣，從而將用戶觀測符號與用戶的評價聚合關(guān)系圖建立關(guān)聯(lián)。通過對評分聚合行為畫像的預(yù)測，解碼出用戶下一時刻概率最大的項目及評分從而生成用戶的商