用户偏好统计模型

用户偏好统计模型用户偏好统计模型用户偏好模型在信息系统中是一个很具挑战性的问题。目前主要处理自动发现用户的偏好, 并且使用该模型。随着个性化和推荐服务在互联网和电子商务逐渐流行起来，了解用户偏好 变得越来越重要。智能信息系统可以分析用户需要什么，并且预测用户未来选择的商品。在 用户不同的偏好的基础之上，智能系统能够对每个用户推荐其感兴趣的商品和提供个性化服 务。目前，描述用户偏好的方法主要有，相似性、概率和相关性。向量相似性主要应用在协同过 滤和内容过滤中；概率主要通过贝叶斯网络预测用户未来的行为；关联规则挖掘中，用关联 来描述商品之间的关联性。向量相似性缺点：无法直观地描述用户对商品的喜欢和不喜欢概率缺点：概率不能直接描述用户的喜好，只能描述访问的可能性关联性：主要用来发现有用的规则，并不是偏好积极和消极的偏好都需要通过偏好模型表示出来1用户偏好模型Pref（x） =V） « G）V表示用户通过行为产生的一系列商品（购买，浏览，搜索等等）W（X - 血1，他2,2如）商品X是用一些列特征表示的，用户profile是由用户对每个特征的一组偏好值组成，特征偏好pref（w），只根据历史记录计算用户对某个特征的喜欢和不喜欢程度无法直接比较用户profile和商品之间的关系，需要将他们通过特征来描述。对商品的偏好 可以通过平均特征偏好来表示1 l珂驰）77（7）52 Pref（w»）M（x）是一个规范化的变量，即某个商品的特征数目互信息作为偏好度量方式用户选择某个商品的概率主要由两个因素决定：商品偏好和商品访问可能性pmbahiliiyprobabilityaccessibilitypreferencelowlaw+Alowhigh-highlow+highhigh+/-Prcf（M?）=实际偏好定义如下:P (X (w):非条件特征概率，商品包含的特征数在整个特征集中的概率P(X (w) IV)条件特征概率，商品包含的特征在用户的特征历史中的概率 上式描述的就是互信息