基于內容和GC-PLSA模型的物品推薦.pdf

1、目前推薦系統(tǒng)已經得到廣泛的應用，對其進行研究和完善具有十分重要的價值。本文圍繞物品內容表示、物品評分等級計算、用戶興趣變化和推薦結果多樣性等問題展開研究，主要工作如下:
　　(1)將圖像特征用于物品推薦，解決了用文本描述物品外觀存在的歧義性問題;同時針對功能屬性和圖像特征結合過程中存在的形式不統(tǒng)一問題，提出了基于“詞包”的物品表示方法。該方法將物品的功能屬性和圖像特征統(tǒng)一以“詞包”的形式結合起來，使物品內容得到完整表示。
　

2、　(2)針對協(xié)同過濾技術中存在的新物品問題，提出了GC-PLSA(General Content Probabilistic Latent Semantic Analysis)模型;該模型引入了物品群體和用戶群體兩組隱含變量，通過采用不對稱學習方法來完成模型參數(shù)的估計;該模型不僅能夠有效地解決新物品問題，而且能夠提高評分等級預測的準確性。
　　(3)針對用戶對同一類物品的興趣在購買前和購買后往往會發(fā)生變化的問題，提出了用戶興趣因子

3、的概念，并將用戶興趣因子引入到評分等級中提高推薦結果的準確性。
　　(4)針對推薦結果的總體多樣性問題，提出了ITRM(ImprovedTraditional Rank Model)排序模型。該模型能夠保證一定準確性的前提下提高推薦結果的總體多樣性，使準確性和多樣性達到一個合理的折中;且該模型具有參數(shù)化的特點，即可以通過調節(jié)模型參數(shù)來選擇所需要的多樣性和準確性。
　　實驗結果表明，本文所提出的方法能有效提高物品推薦系統(tǒng)的推薦