论文部分内容阅读
伴随着Web技术快速迭代和发展,在此基础上发展壮大的在线社交也成为人们生活中的热点。十三五期间,国家大数据战略的实施和数据资源开放共享的推进,越来越多的互联网应用开始与现代生活融合,大量的用户通过互联网提供的众多平台开拓自己的活动范围。随着城市的快速发展,上班、自驾游、接送孩子等活动日益频繁,购买汽车的需求逐渐增长。然而对于汽车这种特殊商品,不像普通的生活用品,由于它有着自身复杂度高、交易和消费的频次低等特点,所以在推荐任务过程中,会遇到用户相关领域知识匮乏、用户历史交易数据少、商品自身复杂度高等困难。为了应对推荐任务中遇到的困难和挑战,本论文致力于通过对购买者网络上的社交信息以及对不同汽车下的评论数据进行特征析取,结合社交因素和评论影响设计出科学有效的模型对汽车进行推荐。论文从上述两方面信息着手,以提高推荐准确性为目标对个性化汽车推荐进行深入研究,主要创新点及研究成果如下:(1)为了更好的理解用户的评分行为,需要挖掘用户的个性化特征。论文从两方面入手,一是社交环境对用户的影响,在特定的车型下构建购买用途需求的社交圈,在此社交圈的基础上分析用户的个人偏好和偏好相似度两个社交因素,结合评分数据并根据已有的计算方法量化其社交关系;二是评论文本对项目的影响,通过深度学习技术构建了四层卷积神经网络来学习文本特征;(2)论文针对汽车提出了全新的推荐模型SCTCMAR(Social and Comment Text CNN Model based Automobile Recommendation),该模型融入了社交影响和评论文本特征,即用户的个人偏好和偏好相似度以及项目的评论文本特征,最终将这三个因素注入到推荐模型中体现了社交因素和评论文本特征因素对用户决策过程的影响,提高了汽车推荐的准确性;(3)论文使用矩阵分解技术训练用户与汽车的隐特征,然后通过矩阵合并技术得到预测偏好矩阵并最终向目标用户提供汽车推荐。在真实数据集上进行实验对比,结果表明论文提出的SCTCMAR汽车推荐模型能够进行有效的进行汽车推荐并且具有良好的汽车推荐性能;(4)为了验证推荐算法的可用性,论文将SCTCMAR汽车推荐模型用于我们研发的“面向汽车行业的专业化色彩综合辅助设计系统”进行汽车推荐,更进一步证实了SCTCMAR模型的高效可用。