Downloaded 126 times
Uploaded byLiang Xiang
动态推荐系统关键技术研究
本文研究了动态推荐系统的关键技术，包括动态评分预测和动态top-n推荐问题，强调了时间效应对用户兴趣和物品流行度的影响。通过分析多个数据集，提出了动态用户兴趣模型，并探讨了长期与短期兴趣的融合。最后，展示了一个动态推荐系统原型，展望了未来在用户行为动态建模方面的研究方向。
动态推荐系统关键技术研究
- 1.
- 2.
- 3.
- 4.
- 5. 引言推荐系统的主要算法按照使用数据分：协同过滤 ：用户行为数据内容过滤 ：用户内容属性和物品内容属性社会化过滤：用户之间的社会网络关系按照模型分：最近邻模型：基于用户/物品的协同过滤算法Latent Factor Model：基于矩阵分解的模型图模型：二分图模型，社会网络图模型5
- 6.
- 7. 引言协同过滤数据集：{(用户，物品，行为，时间)}问题：通过研究用户的历史行为和兴趣爱好，预测用户将来的行为和喜好。 是用户集合， 是物品集合， 是时间集合7
- 8.
- 9.
- 10. 相关研究时间无关的评分预测问题算法基于用户/物品的协同过滤算法基于矩阵分解的模型 Latent FactorModel受限波尔兹曼机 RBM时间相关的评分预测问题算法用户会喜欢和他们最近喜欢的物品相似的物品用户会喜欢和他们兴趣相似的用户最近喜欢的物品10
- 11.
- 12.
- 13.
- 14.
- 15.
- 16. 模型和算法用户兴趣模型时间无关的Latent Factor Model(RSVD)时间相关的Latent Factor Model (TRSVD)35153224423451216
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33. 实验分析数据集CiteULike : 4607个用户，16,054篇论文和109,364条用户和论文之间的关系记录Delicious: 8,861个用户，3,257篇网页和59,694条用户和网页之间的收藏关系记录评测指标31
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.