基于用戶(hù)點(diǎn)擊流數(shù)據(jù)挖掘的推薦系統(tǒng)研究.pdf

1、隨著信息時(shí)代的到來(lái)，互聯(lián)網(wǎng)上的信息呈現(xiàn)爆炸式增長(zhǎng)，人們開(kāi)始面臨信息過(guò)載問(wèn)題，找到自己需要的信息開(kāi)始變得具有挑戰(zhàn)性。信息過(guò)濾技術(shù)應(yīng)運(yùn)而生，信息過(guò)濾技術(shù)旨在為用戶(hù)過(guò)濾掉無(wú)用信息，幫助用戶(hù)精準(zhǔn)快速的獲取信息。推薦系統(tǒng)是信息過(guò)濾技術(shù)的一種具體應(yīng)用，旨在幫助用戶(hù)從海量信息內(nèi)容中找到用戶(hù)感興趣的信息，并發(fā)掘用戶(hù)可能感興趣的物品。推薦系統(tǒng)將這些物品形成一個(gè)短小的推薦列表呈現(xiàn)給用戶(hù)，從而提高信息提供商對(duì)客戶(hù)的吸引力以及用戶(hù)的使用體驗(yàn)。推薦系統(tǒng)已經(jīng)成為現(xiàn)

2、代互聯(lián)網(wǎng)內(nèi)容提供商的不可或缺的模塊，比如電商網(wǎng)站包括京東，亞馬遜等都在網(wǎng)站首頁(yè)展示給用戶(hù)個(gè)性化的物品推薦。這些推薦的物品常常是因人而異的，商家會(huì)根據(jù)用戶(hù)的瀏覽記錄分析和挖掘用戶(hù)的興趣，推薦與用戶(hù)興趣相匹配的物品。而用戶(hù)也會(huì)有更大的概率發(fā)現(xiàn)自己喜歡的物品，免去了從海量商品中去隨機(jī)搜尋的過(guò)程。
　　本文研究的出發(fā)點(diǎn)就是通過(guò)分析用戶(hù)在瀏覽網(wǎng)站時(shí)的點(diǎn)擊記錄數(shù)據(jù)，建立用戶(hù)的興趣分布，并分析用戶(hù)興趣變化過(guò)程，進(jìn)而將該過(guò)程融合到推薦算法來(lái)，設(shè)法

3、提高推薦系統(tǒng)的實(shí)時(shí)性與準(zhǔn)確性。本文基于傳統(tǒng)的LDA算法提出了改進(jìn)的Ses-ion-based LDA算法，該算法利用了用戶(hù)興趣的間斷性，即用戶(hù)在某一個(gè)連續(xù)的瀏覽記錄段內(nèi)會(huì)表現(xiàn)比較一致的興趣，而在不同的時(shí)間段內(nèi)興趣分布又比較分散。本文在真實(shí)數(shù)據(jù)集上驗(yàn)證了這個(gè)假設(shè)的合理性，并且基于這個(gè)假設(shè)，將興趣的間斷性原則融合到LDA算法中，形成了一個(gè)帶有兩個(gè)參數(shù)的Session-based LDA算法。其中第一個(gè)參數(shù)λ0可以用來(lái)控制用戶(hù)在一個(gè)時(shí)間段內(nèi)的

4、興趣是否與用戶(hù)總體的興趣分布一致，另一個(gè)參數(shù)λ1用來(lái)控制用戶(hù)興趣隨時(shí)間發(fā)生跳轉(zhuǎn)的概率大小。通過(guò)這兩個(gè)參數(shù)的調(diào)節(jié)，可以更好的對(duì)用戶(hù)的行為進(jìn)行建模，從而提出更合理的用戶(hù)興趣分布函數(shù)，實(shí)現(xiàn)更加精準(zhǔn)的推薦效果。本文在三個(gè)真實(shí)的數(shù)據(jù)上驗(yàn)證的改進(jìn)算法的有效性，相比傳統(tǒng)的LDA算法，準(zhǔn)確性都得到提高。并認(rèn)為該算法應(yīng)該有較好普適性，因?yàn)橥ㄟ^(guò)調(diào)節(jié)參數(shù)λ0與λ1的值，可以使得Session-based LDA可以擬合不同的數(shù)據(jù)集，即使在最壞的情況下也可調(diào)節(jié)