用户隐性偏好学习与融合的组推荐算法研究

摘要

个性化推荐是根据用户的偏好和行为特点向用户推荐感兴趣信息的过程。在未来的智能电视系统中，真正的智能视频推荐应该是不需要用户评分动作就能自动、准确地获得用户兴趣、爱好并做出推荐的系统。除此之外，组推荐也是智能电视推荐系统的一项挑战。目前流行的一些组推荐算法都是基于各成员偏好重要性等方面的某种假设，由于这些假设不能完全真实地再现组成员的选择，因此推荐结果很难真正满足用户需求。
　　针对上述两个问题，本文做了以下工作:
　　(1)介绍用户隐性行为的研究现状，分析获取用户隐性评分的必要性。用户偏好根据其不同的表现形式可以分为隐性偏好和显性偏好两种。当前根据用户行为获取用户隐性偏好的方法大多集中于WEB领域，尚无针对用户观影行为预测用户对电影隐性评分的算法，因此研究用户隐性评分预测算法兼具理论与实用价值。
　　(2)本文设计了一种基于神经网络的用户隐性评分自动获取方法。该方法将电影时长、用户观影时长、用户快进次数和用户快退次数设置为变量，采用BP神经网络算法展开学习，建立起一种基于神经网络的用户视频隐性评分学习模型。实验结果表明，该方法不仅可以有效获取用户的隐性评分信息，还可以直接固化于未来智能电视的设计之中，具有实际应用价值。
　　(3)与传统个性化推荐算法不同，组推荐算法体现了一组用户的偏好，因此如何融合用户个人偏好是组推荐研究的关键点。现有的偏好融合方法主要有评分融合、列表融合及建立组偏好模型三种，每种方法包含数个具体的偏好融合策略。本文比较了几种现有的用户偏好融合策略，并整理了各策略的评价标准。
　　(4)设计了一种通过建立组偏好模型从而对组评分进行预测的推荐算法。该算法根据用户偏好的隐含特征对组偏好建模，并采用神经网络方法修正参数，从而达到为一组用户进行推荐的目的。由于隐含特征是对用户偏好的分割，依据隐含特征建模能更全面的反映成员用户各方面偏好对组最终决策的影响，使其更广泛适用于各种应用场景。

目录

声明

摘要

1 绪论

1．1 本文的研究背景

1．2 国内外研究现状

1．3 本文的研究内容与意义

1．4 本文的组织安排

2 相关技术与知识

2．1 人工神经网络与BP神经网络

2．2 基于特征的矩阵因式分解

3 基于神经网络的用户视频隐性评分学习方法

3．1 用户隐性行为挖掘研究现状

3．2 基于神经网络的用户隐性评分学习模型

3．3 实验与结果分析

3．4 本章小结

4 现有组推荐算法比较与分析

4．1 偏好融合方法

4．2 融合策略

4．3 评价标准

4．4 本章小结

5 基于SVD和神经网络的组偏好融合推荐算法

5．1 算法思想

5．2 实验与结果分析

5．3 本章小结

6 总结与展望

致谢

攻读硕士学位期间主要研究成果

参考文献