基于用戶反饋信息與用戶信任度的商品推薦技術(shù)的研究.pdf

1、自互聯(lián)網(wǎng)中的信息海量化以來，信息超負(fù)荷已經(jīng)是所有網(wǎng)民即將或已經(jīng)遇到的問題，而相關(guān)性是解決信息超負(fù)荷問題眾多方法中的一種主流方法。個(gè)性化推薦在電子商務(wù)網(wǎng)站也逐漸凸顯出其重要的作用。該技術(shù)在發(fā)現(xiàn)用戶潛在需求的基礎(chǔ)上，將不相關(guān)的信息或者項(xiàng)目過濾掉，最后主動(dòng)向用戶推薦滿足其需求的項(xiàng)目，以達(dá)到緩解信息過載的目的。
　　本文在以用戶—項(xiàng)目評(píng)分矩陣為主要甚至唯一的數(shù)據(jù)信息基礎(chǔ)的概率矩陣分解模型PMF中融入用戶與好友的社會(huì)信任關(guān)系，將好友對(duì)用戶的

2、影響線性聚合起來，得到即考慮用戶自身興趣又考慮好友興趣對(duì)其產(chǎn)生的影響的用戶潛在特征向量，對(duì)由矩陣分解得到的用戶潛在特征向量進(jìn)行約束，同時(shí)會(huì)利用一個(gè)參數(shù)限制該約束的程度。并考慮項(xiàng)目的評(píng)論文本信息也能在一定程度上反映項(xiàng)目的屬性，因此利用LDA模型處理評(píng)論文本信息得到項(xiàng)目的主題分布向量。再利用指數(shù)函數(shù)將矩陣分解得到的項(xiàng)目潛在特征向量映射到主題分布向量上來，對(duì)由矩陣分解得到的項(xiàng)目潛在特征向量產(chǎn)生約束，最后提出基于用戶反饋信息與用戶信任度的商品推

3、薦模型（MRM）。實(shí)驗(yàn)中，采用梯度下降的方法對(duì)后驗(yàn)概率進(jìn)行最大化，并同時(shí)優(yōu)化用戶潛在特征向量、項(xiàng)目潛在特征向量以及主題分布向量，得到最終的主題分布矩陣、用戶潛在特征矩陣和項(xiàng)目潛在特征矩陣，最終獲得用戶的預(yù)測(cè)評(píng)分。
　　本文在Yelp評(píng)論網(wǎng)站真實(shí)數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，本混合模型在典型的衡量推薦準(zhǔn)確度標(biāo)準(zhǔn)MAE和RMSE上分別提升了9.7％和8.7％，實(shí)驗(yàn)結(jié)果顯示基于用戶反饋信息與用戶信任度的商品推薦模型的推薦結(jié)果優(yōu)于概率矩陣推薦算法，并驗(yàn)