学习推荐系统中用户复杂偏好

推荐系统（RSs）已成为非常有用的工具，可帮助客户进行决策、发现感兴趣的物品并缓解信息过载问题。推荐系统中有两类不同的方法：（1）通用推荐系统，主要目标是发现用户的长期偏好；（2）序列推荐系统，主要关注在用户-物品交互会话中捕捉用户的短期偏好（此处会话指一次购物事件中购买多个物品的记录）。虽然考虑短期用户偏好可满足其当前需求与兴趣，但长期用户偏好最终为用户提供其可能交互的物品。本论文中，我们首先聚焦于提升通用推荐系统的性能。现有大多数通用推荐系统倾向于利用用户对共同物品的评分模式来检测相似用户。数据稀疏性问题（即可用信息缺乏）是当前通用推荐系统的主要挑战之一，当用户间无共同感兴趣物品时，它们可能无法给出任何推荐。我们称此问题为无共同物品反馈的数据稀疏性（DSW-n-FCI）。为克服该问题，我们提出了一种基于人格的推荐系统，基于用户人格特质的相似性来识别相似用户。