一種基于用戶交易行為的隱語義模型推薦算法

《一種基于用戶交易行為的隱語義模型推薦算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、一種基于用戶交易行為的隱語義模型推薦算法梁婧文蔣朝惠貴州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院通過分析目前推薦技術(shù)在電子商務(wù)系統(tǒng)屮的應(yīng)用優(yōu)勢，并針對(duì)當(dāng)前產(chǎn)品交易系統(tǒng)的無評(píng)分、產(chǎn)品量大和難以分類等現(xiàn)狀與問題，設(shè)計(jì)了一種基于用戶交易行為的隱語義模型推薦算法。該算法從用戶的隱式交易行為出發(fā)，采用隱語義模型推薦算法，構(gòu)建用戶-產(chǎn)品興趣模型，并加入K均值算法劃分隱式特征聚類。實(shí)驗(yàn)驗(yàn)證表明，該算法在滿足用戶的個(gè)性化需求的同吋，可提高電子商務(wù)系統(tǒng)的產(chǎn)品推薦效率。關(guān)鍵詞：推薦算法;用廣交易行為;隱語義模型;K均值算法;?；穑嘿F州省基礎(chǔ)研宄重大項(xiàng)目（黔科合JZ字[2014]2001-21）Latentfactorm

2、odelrecommendationalgorithmbasedonusertransactionbehaviorLiangJingwenJiangChaohuiCollegeofComputerScienceandjechnology,GuizhouUniversity;Abstract：Throughanalysisoftheapplicationadvantagesofrecommendationtechnologyine-commercesystem,andinordertosolvethepresentsituationandproblemsoftheproducttradi

3、ngsystemwithoutscoring,largevolumeofproductsanddifficultclassification,alatentfactormodelrecommendationalgorithmbasedonusertransactionbehaviorwasdesigned,whichstartsfromtheimplicitusertransactionbehavior,andconstructstheinterestmodelbetweenusersandproducts,whichuseslatentfactormodelrecommendatio

4、nalgorithm,andK-meansalgorithmisusedtoclusterimplicitfeature-Theexperimentalresultsshowthatthealgorithmmeetstheindividualneedsofusers,andcanimprovetherecommendationefficiencyofe-commercesystem.Keyword：recommendationalgorithm;usertransactionbehavior;latentfactormodel;K-meansalgorithm;0引言電子商務(wù)網(wǎng)站是個(gè)性

5、化推薦系統(tǒng)的一個(gè)重要應(yīng)用領(lǐng)域，各種著名的電子商務(wù)網(wǎng)站，例如亞馬遜、淘寶、Netflix,京東等，都在各個(gè)方面使用到了個(gè)性化推薦,是個(gè)性化推薦技術(shù)最積極的應(yīng)用者和推廣者。在主流的電子商務(wù)系統(tǒng)中大都采用協(xié)同過濾(CollaborativeFiltering,CF)推薦算法U1，該算法是基于用戶行為數(shù)據(jù)分析設(shè)計(jì)的，并且基于一種假設(shè):用戶過去喜歡的在未來也同樣喜歡。最廣泛使用的協(xié)同過濾算法有：(1)基于鄰域(Neighborhood-based)的方法，包括基于用戶(Userbased)和基于產(chǎn)品(Item-CF)的，通過分析與用戶之前喜好相似的產(chǎn)品或者推薦給用戶與他喜好相似的用戶所關(guān)注的產(chǎn)品

6、來構(gòu)成推薦模型；(2)隱語義模型(LatentFactorModel,LFM),使用某些隱含特征來關(guān)聯(lián)用戶興趣和產(chǎn)品，并據(jù)此構(gòu)建推薦模型。對(duì)于電子商務(wù)推薦系統(tǒng)來說，如何建立用戶的偏好模型是首要問題，但當(dāng)前產(chǎn)品交易系統(tǒng)存在無評(píng)分、產(chǎn)品量大、難以分類等問題，同時(shí)對(duì)協(xié)同過濾算法屮隱式反饋方面的研宄也越來越廣泛。因此本文從用戶的隱式交易行為出發(fā)，設(shè)計(jì)了一種基于用廣交易行為的隱語義模型推薦算法(UserTransactionBehaviorforLatentFactorModel,UTB—LFM)o1相關(guān)工作自NetflixPrize推薦系統(tǒng)大賽之后，研宂蕎對(duì)隱式反饋信息和隱語義模型越來越關(guān)注，

7、近幾年人們對(duì)LFM的應(yīng)用與研宄也越來越深入。2014年，YINFL、CHAIjpm等人在數(shù)字電視節(jié)目的推薦中使用了隱式特征模型，通過對(duì)觀眾行為進(jìn)行分析，確定觀眾興趣與觀看電視節(jié)目之間的關(guān)系，并據(jù)此為觀眾建議節(jié)目類型。CHENC、ZHENGLD1等人在LFM中加入偏置項(xiàng)，證明推薦的準(zhǔn)確度較原始的LFM推薦模型有所提高。2015年，張玉連Hl等人提出丫一種通過建立隱語義模型，分析用戶和論文的特征向量進(jìn)行科技論文的推薦，獲得了較好的準(zhǔn)確度。2016年