基于用戶興趣的混合推薦系統(tǒng)研究.pdf

1、隨著互聯網的快速發(fā)展，信息的急速增加在給人們帶來便利的同時，也給人們的社會生活帶來了選擇各種信息的困惑。如何為每位用戶提供準確的、滿足個性化需求的信息，已經成為電子商務的焦點問題。在這種形勢和背景下，推薦系統(tǒng)的理論和應用都得到了較大的發(fā)展，但是在某個特定的電子商務領域，怎樣去獲取用戶的興趣信息，建立相應的興趣模型，并在用戶信息比較稀少的情況做出準確的推薦，這些都是推薦系統(tǒng)必須回答的問題。
　　 本文對用戶的興趣、推薦系統(tǒng)及其推薦

2、技術進行了一些研究與探索，建立了基于用戶興趣的混合推薦模型，并在該模型的基礎上采用BP神經網絡和奇異值分解的算法向用戶做出預測，實施推薦。本文主要的研究內容包括用戶興趣混合模型的建立、基于改進的奇異值分解算法和基于用戶興趣的BP神經網絡算法。在整個推薦過程中，主要分為兩個階段，即模型的建立階段和實施預測推薦的階段。在模型的建立階段，主要基于的假設是：用戶對商品喜歡程度是由三方面決定，即商品自身的屬性、用戶的興趣和用戶近鄰對該商品的評價，

3、然后采用數據預處理方法建立用戶的興趣模型。在預測推薦階段，首先從用戶對商品的歷史評分信息中統(tǒng)計出用戶的興趣偏好和商品本身的屬性信息，建立用戶的興趣偏好向量和商品的屬性向量。然后分別采用BP神經網絡算法和基于奇異值分解的算法來預測用戶對待推薦商品的評分。最后結合這兩個評分做出最終的推薦。實驗結果表明，結合了商品屬性的用戶興趣模型和混合推薦算法不僅彌補了協(xié)同過濾算法中信息稀疏問題帶來的不足，同時也解決了基于內容過濾算法中對用戶考慮過于簡單帶