發(fā)布時間：2022-10-05 23:35

　　如今互聯(lián)網(wǎng)高速發(fā)展,伴隨它而生的信息服務(wù)更是同樣發(fā)展迅速,但這背后卻存在一些問題。人們在使用網(wǎng)絡(luò)時會留下大量的數(shù)據(jù)信息,這些數(shù)據(jù)增長速度非�？�,從而造成網(wǎng)絡(luò)中的信息十分冗余,人們就不能快速的、精準(zhǔn)的搜到自己想要的內(nèi)容。個性化推薦系統(tǒng)的出現(xiàn)便較好地改善了這一問題,給人們在使用網(wǎng)絡(luò)時帶來了便利。因此作為推薦系統(tǒng)的核心,推薦算法的性能顯得尤為重要,但傳統(tǒng)的協(xié)同過濾推薦算法會隨著系統(tǒng)本身規(guī)模的擴(kuò)大,數(shù)據(jù)不斷增多而產(chǎn)生算法擴(kuò)展性、數(shù)據(jù)稀疏性和冷啟動等問題,如果能夠?qū)@些問題加以改善,推薦算法的性能則會進(jìn)一步提高。因此本文則從算法擴(kuò)展性和數(shù)據(jù)稀疏性這兩方面優(yōu)化推薦算法,從而提高推薦質(zhì)量,主要工作如下:首先,針對算法擴(kuò)展性問題,本文提出了基于中心聚集參數(shù)的改進(jìn)K-means協(xié)同過濾推薦算法。該算法先提出了一種中心聚集參數(shù),中心聚集參數(shù)的目的在于篩選出最合適的,最優(yōu)的初始化聚類簇心以及確定聚類個數(shù)。將加入中心聚集參數(shù)的改進(jìn)K-means聚類算法在UCI數(shù)據(jù)集上驗證,通過調(diào)整蘭德系數(shù)、互信息指標(biāo)和Fowlkes-Mallows指標(biāo)的結(jié)果顯示,改進(jìn)的算法聚類效果最好;然后在MovieLens數(shù)據(jù)集上實現(xiàn)基... 

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及述評
    1.3 創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)基礎(chǔ)理論與方法
    2.1 協(xié)同過濾推薦算法
        2.1.1 基于用戶的協(xié)同過濾推薦算法
        2.1.2 基于項目的協(xié)同過濾推薦算法
    2.2 聚類算法
        2.2.1 K-means聚類
        2.2.2 基于K-means的用戶聚類推薦算法
    2.3 矩陣填充方法
        2.3.1 Slope One算法
        2.3.2 平均值法
3 基于中心聚集參數(shù)的改進(jìn)K-means協(xié)同過濾推薦算法
    3.1 基于中心聚集參數(shù)的改進(jìn)K-means算法
        3.1.1 基于中心聚集參數(shù)優(yōu)化初始簇心和聚類個數(shù)
        3.1.2 數(shù)據(jù)集及評價標(biāo)準(zhǔn)
        3.1.3 實驗結(jié)果分析
    3.2 基于中心聚集參數(shù)的改進(jìn)K-means協(xié)同過濾推薦算法
        3.2.1 算法流程
        3.2.2 數(shù)據(jù)集及評價標(biāo)準(zhǔn)
        3.2.3 結(jié)果實驗分析
4 基于Slope One矩陣填充的用戶聚類推薦
    4.1 矩陣填充
    4.2 基于Slope One矩陣填充的用戶聚類推薦算法
        4.2.1 算法流程
        4.2.2 數(shù)據(jù)集及評價標(biāo)準(zhǔn)
        4.2.3 實驗結(jié)果分析
5 結(jié)論與展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻(xiàn)
作者簡歷
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于聚合距離參數(shù)的改進(jìn)K-means算法[J]. 王巧玲,喬非,蔣友好.  計算機(jī)應(yīng)用. 2019(09)
[2]基于距離和密度的d-K-means算法[J]. 唐澤坤,朱澤宇,楊裔,李彩虹,李廉.  計算機(jī)應(yīng)用研究. 2020(06)
[3]基于矩陣分解和聚類的協(xié)同過濾算法[J]. 董立巖,王宇,任怡,李永麗.  吉林大學(xué)學(xué)報(理學(xué)版). 2019(01)
[4]結(jié)合物品類型和密度峰值聚類的協(xié)同過濾推薦算法[J]. 陳帆,孫自強(qiáng).  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2018(06)
[5]基于粒子群優(yōu)化算法的協(xié)同過濾推薦并行化研究[J]. 游思晴,周麗,趙東杰,薛菲.  北京郵電大學(xué)學(xué)報. 2018(06)
[6]K-近鄰矩陣分解推薦系統(tǒng)算法[J]. 郝雅嫻,孫艷蕊.  小型微型計算機(jī)系統(tǒng). 2018(04)
[7]基于改進(jìn)聚類和矩陣分解的協(xié)同過濾推薦算法[J]. 王永貴,宋真真,肖成龍.  計算機(jī)應(yīng)用. 2018(04)
[8]結(jié)合非負(fù)矩陣填充及子集劃分的協(xié)同推薦算法[J]. 袁衛(wèi)華,王紅,杜向華.  小型微型計算機(jī)系統(tǒng). 2017(12)
[9]基于最小方差的K-means用戶聚類推薦算法[J]. 楊大鑫,王榮波,黃孝喜,諶志群.  計算機(jī)技術(shù)與發(fā)展. 2018(01)
[10]基于矩陣填充和物品可預(yù)測性的協(xié)同過濾算法[J]. 潘濤濤,文鋒,劉勤讓.  自動化學(xué)報. 2017(09)



本文編號：3686715