一种基于电影评分预测的协同过滤

评分预测是推荐系统的重要环节,现在大部分的评分预测是利用用户的历史评分记录来推断该用户将给某个项目打多少分.该方法利用了用户历史评分记录,没有充分利用用户或者项目属性,平均绝对误差较大.针对以上问题,构造一种基于用户自画像的评分预测协同过滤推荐算法.该算法通过计算用户之间历史评分记录的相似度和用户自画像之间的相似度,然后计算出两种相似度的权重,把两种相似度乘以各自的权重进行组合.实验结果表明,构造的评分预测算法较好的减少预测评分和实际评分之间的平均绝对误差,提高了评分预测的准确性.

基于用户的协同过滤推荐算法的改进

基于用户的协同过滤算法是根据用户对项目采取的行为来学习用户的兴趣和爱好,利用学习的结果给用户推荐其感兴趣的商品。传统的基于用户的协同过滤推荐算法通过用户购买、浏览、收藏等操作来计算用户之间的相似度,然后对相似度按照从高到低的顺序排序,找出相似度最高的N个用户作为邻居用户,把邻居用户所购买并且该用户尚未购买的商品推荐给用户,该算法只考虑了用户和商品的关系,忽略了用户与用户之间可能存在的潜在关系。针对以上问题,本文提出一种改进的用户协同过滤算法,首先根据用户的购买的商品求出用户之间的相似度,接着根据用户的地理位置计算用户之间的相似度,然后把二者加权求和,实验结果表明,改进后的推荐算法准确率得到了提高。

基于BP神经网络的用户九型人格模型构建

随着电子商务的发展,对于用户消费行为及用户人格的研究越来越普遍,但人格分类以艾森克人格特质理论和大五人格居多,并且在分析用户消费行为时,没有将消费行为学和用户人格特征相结合。本文提出基于BP神经网络的用户九型人格模型,该模型首先利用消费行为学提取消费行为的维度对用户购物日志进行用户消费维度分析,再对消费行为维度进行九型人格分析,最后利用BP神经网络对用户进行九型人格分类。本文采用天池大数据提供的用户6个月购物日志对该模型进行测试并验证了其可行性。