基于网厅用户隐私行为的个性化推荐系统的设计和研究

摘要

随着互联网技术和电子商务的不断发展，网络商品和服务的数量和种类越来越多。面对如此庞大的规模，如何快速有效地帮助用户找到满足其需求的商品和服务则成为亟待解决的问题。现有的个性化推荐方法大多采用协同过滤方法从众多功能相同或相似的商品中向用户推荐最合适的商品。然而，在江苏电信网上营业厅（以下简称：网厅）这一典型业务场景下，现有方法存在数据稀疏性、“冷启动”以及推荐准确性等问题。针对数据稀疏性问题，本文采用基于用户显性数据和隐性数据相结合的方式为商品构建社会化标签，作为个性化推荐的重要依据；针对“冷启动”问题，本文采用数据挖掘方法对用户进行分类，通过分类在一定程度上反映出用户的个性化兴趣偏好。因此，本硕士论文针对现有个性化推荐技术应用于江苏电信网上营业厅中实际存在的问题，围绕基于网厅用户隐性数据的个性化推荐机制开展相关研究，主要工作包括以下几个方面：
　　（1）提出了一种基于用户隐性行为数据的社会化标签构建方法，通过分析用户浏览页面、停留时间等用户的操作行为等隐性数据，结合交易记录、服务评价等显性数据，构建社会化标签模型，用于刻画商品的功能属性和非功能属性，为进一步分析用户对商品的个性化偏好特征提供依据。
　　（2）提出了一种基于社会化标签模型的个性化推荐方法，根据用户所构建的标签找到目标用户的邻居用户集，并基于商品的特征向量将目标用户及其邻居用户购买过的商品进行聚类，最后根据用户对商品的标签计算目标用户对商品的偏好程度，并为目标用户推荐满足其个性化功能需求的商品集。同时，聚类方法的使用提高了新发布商品被推荐的机会。
　　（3）提出了一种基于用户分类的个性化推荐方法，针对新注册用户隐性数据缺乏的“冷启动”问题，采用基于贝叶斯模型的数据挖掘方法对用户进行分类，为特定类型的用户推荐相关商品。在收集到足够的显性和隐性行为数据之后，对推荐结果进行调整。
　　（4）设计并实现了面向网厅用户的个性化推荐系统，并将本文中的个性化推荐算法应用于系统中，验证了本文理论成果的可行性和有效性。
　　综上所述，本论文对个性化推荐问题进行了深入研究，建立了基于网厅用户显性数据和隐性数据相结合的社会化标签模型，提出了一种基于社会化标签模型的个性化推荐方法，并通过贝叶斯模型对用户进行分类以解决“冷启动”问题。最后，通过一系列的仿真实验及原型系统实现，验证了本论文取得成果的可行性和有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2研究现状

1.3研究目标

1.4研究内容

1.5全文组织结构

第二章 个性化推荐系统及推荐算法介绍

2.1个性化推荐系统

2.2个性化推荐算法

2.3本章小结

第三章 基于社会化标签模型的个性化推荐算法

3.1基于隐性数据的社会化标签模型

3.2基于社会化标签模型的个性化推荐算法

3.3本章小结

第四章 基于用户分类的个性化推荐算法

4.1个性化推荐冷启动问题

4.2用户分类问题

4.3基于用户分类的个性化推荐算法

4.4本章小结

第五章 实验及结果分析

5.1基于公开数据集的对比实验

5.2基于实际网厅系统的对比验证

5.3本章小结

第六章 总结与展望

参考文献

附录1 原型系统设计和界面

致谢