數(shù)據(jù)稀疏和隱性反饋條件下用戶偏好挖掘方法.pdf

1、分類號分類號學(xué)號學(xué)號M200976097學(xué)校代碼學(xué)校代碼10487密級密級碩士學(xué)位論文碩士學(xué)位論文數(shù)據(jù)稀疏和隱性反饋條件下數(shù)據(jù)稀疏和隱性反饋條件下用戶偏好用戶偏好挖掘方法挖掘方法學(xué)位申請人學(xué)位申請人郭少聃郭少聃學(xué)科專業(yè)學(xué)科專業(yè)：軟件工程軟件工程指導(dǎo)教師指導(dǎo)教師：沈剛教授教授答辯日期答辯日期：2012.2I華中科技大學(xué)碩士學(xué)位論文摘要個性化推薦服務(wù)在當(dāng)前互聯(lián)網(wǎng)中隨處可見，比如電子商務(wù)中的商品推薦系統(tǒng)、搜索引擎網(wǎng)站的個性化搜索等。這樣的應(yīng)用

2、需要對用戶的個人偏好有很好的理解。用戶偏好挖掘不是簡單的向用戶推薦具體項目，而是要理解用戶對項目的某種屬性的偏愛。它可以被歸納為一個協(xié)同過濾問題，但面臨更多挑戰(zhàn)，這是由用戶數(shù)據(jù)的特點決定的。首先，數(shù)據(jù)是極度稀疏的。單一用戶在某一領(lǐng)域中對具體項目的隱性反饋是非常稀有的，可想而知，多用戶間共享屬性信息也是極度稀有的。其次，隱性反饋，用戶不會對項目的具體屬性做出直接的評分。從這樣的數(shù)據(jù)中只能得到正反饋，從用戶對某項目的行為中推測其偏好。協(xié)同過

3、濾技術(shù)很早就在推薦系統(tǒng)中得到了廣泛的應(yīng)用。它利用相似用戶的用戶很大概率會擁有相似的品味這一基本假設(shè)，對特定用戶的偏好和行為做出預(yù)測，也在實際應(yīng)用中取得了較好的效果。但是現(xiàn)有的協(xié)同過濾技術(shù)不能很好地解決上述兩個用戶偏好挖掘中的問題，需要進(jìn)行改造。首先通過跨領(lǐng)域集體學(xué)習(xí)，使用戶在不同領(lǐng)域中的行為數(shù)據(jù)可以被相互利用，繼而學(xué)習(xí)過程將會彼此相互加強，以此解決單個域內(nèi)數(shù)據(jù)稀疏的問題。另一方面，在學(xué)習(xí)過程中引入貝葉斯個人化排序（BayesianPer

4、sonalizedRanking，簡稱BPR）優(yōu)化條件。BPR作為一種通用學(xué)習(xí)框架，在學(xué)習(xí)過程中以排序為目標(biāo)進(jìn)行數(shù)據(jù)擬合，取代傳統(tǒng)的以二值分類為目標(biāo)的方法，以解決只有正反饋的問題。實驗證明了這種方法的優(yōu)越性。實驗采用兩種真實世界的數(shù)據(jù)集分別是用戶對電影的評分?jǐn)?shù)據(jù)和用戶在搜索引擎中的搜索關(guān)鍵字?jǐn)?shù)據(jù)，分別在其中挖掘用戶對演員的偏好和對商品品牌的偏好。實驗中用AUC統(tǒng)計指標(biāo)比較了各種方法的挖掘結(jié)果，并且比較了它們在數(shù)據(jù)稀疏性不斷增長下的性能表