论文部分内容阅读
推荐系统被认为是大数据时代最有效的个性化技术,其目标是为用户推送最有价值的信息,提高用户获取信息的效率。对于推荐系统的研究,既有重要的社会意义,又有重要的经济价值。自上世纪九十年代以来,数据挖掘方面的研究者已经从多种角度对推荐算法进行了研究与改进。这些工作使得推荐系统已经成功应用于互联网的各个商业系统中。虽然推荐系统已经在互联网领域内得到广泛应用,但仍普遍存在两个主要问题:①数据稀疏性问题;②“冷启动”问题。同时,用户在互联网上的行为活动携带着一些意图,而推荐系统也缺乏对这些意图的考虑。本文利用迁移学习和意图预测等方法,在一定程度上解决推荐系统的上述问题。本文主要工作如下:1.提出一种基于迁移学习的跨电商交叉推荐算法。算法的核心思想在于从一个辅助域电商的数据中获取“知识”并将该“知识”迁移到目标域电商中,帮助该电商完成精准的推荐。算法考虑了目标域数据差异性和辅助域数据稀疏性对迁移学习效果的影响,并在多个不同的数据集上进行离线仿真实验,实验结果表明该方法在预测精确性和召回率上较协同过滤的推荐算法有着很大的提高。2.提出两种用户意图预测的算法,一种算法称为基于线性阈值的用户意图预测算法,另一种称为基于逻辑回归的用户意图预测算法。两种算法都需要从用户的行为中提取特征,然后将特征应用于相应的算法模型。基于线性阈值的用户意图预测算法使用带阈值的线性模型预测用户意图,算法的灵活性较强。基于逻辑回归的用户意图预测算法使用逻辑回归模型来预测用户意图,算法的可扩展性高。两算法在多种数据集上进行离线仿真实验,实验结果表明算法在预测用户意图方面有着较高的准确度。3.最后,本文提出了一种基于场景引擎的信息推荐系统。该系统通过场景引擎计算用户意图,并根据这些意图为用户产生个性化推荐。通过引入场景的概念,将真实用户的行为模型转化为用户意图,场景引擎能准确判断用户所处场景,从而达到计算用户意图的目标。推荐系统在场景引擎的指导下,会做出更加符合用户需求的个性化推荐。