- 相關推薦
用戶偏好統計模型
用戶偏好統計模型
用戶偏好統計模型
用戶偏好模型在信息系統中是一個很具挑戰性的問題。目前主要處理自動發現用戶的偏好，并且使用該模型。隨著個性化和推薦服務在互聯網和電子商務逐漸流行起來，了解用戶偏好變得越來越重要。智能信息系統可以分析用戶需要什么，并且預測用戶未來選擇的商品。在用戶不同的偏好的基礎之上，智能系統能夠對每個用戶推薦其感興趣的商品和提供個性化服務。
目前，描述用戶偏好的方法主要有，相似性、概率和相關性。向量相似性主要應用在協同過濾和內容過濾中；概率主要通過貝葉斯網絡預測用戶未來的行為；關聯規則挖掘中，用關聯來描述商品之間的關聯性。
向量相似性缺點：無法直觀地描述用戶對商品的喜歡和不喜歡
概率缺點：概率不能直接描述用戶的喜好，只能描述訪問的可能性
關聯性：主要用來發現有用的規則，并不是偏好
積極和消極的偏好都需要通過偏好模型表示出來
1用戶偏好模型
V表示用戶通過行為產生的一系列商品（購買，瀏覽，搜索等等）
商品x是用一些列特征表示的，
用戶profile是由用戶對每個特征的一組偏好值組成，
特征偏好pref（w），只根據歷史記錄計算用戶對某個特征的喜歡和不喜歡程度
無法直接比較用戶profile和商品之間的關系，需要將他們通過特征來描述。對商品的偏好可以通過平均特征偏好來表示
M(x)是一個規范化的變量，即某個商品的特征數目
用戶偏好統計模型互信息作為偏好度量方式
用戶選擇某個商品的概率主要由兩個因素決定：商品偏好和商品訪問可能性
實際偏好定義如下：
P（X（w））:非條件特征概率，商品包含的特征數在整個特征集中的概率 P（X（w）|V）條件特征概率，商品包含的特征在用戶的特征歷史中的概率 上式描述的就是互信息
【用戶偏好統計模型】相關文章：
模型偏差的統計分析05-02
變形預測的逆多元統計模型04-27
變形預測的逆多元統計模型04-30
基于時間分割的手寫輸入系統的用戶績效模型04-28
基于空間分割的手寫輸入系統的用戶績效模型04-27
單純形分布模型的統計診斷04-30
BERNESE光壓模型參數的統計分析04-27
整體偏好次序下個體偏好次序的變化研究04-27
隴東黃土高原雷暴特征及統計預報模型04-28