據(jù)互聯(lián)網(wǎng)中心的數(shù)據(jù)報(bào)告表明,即便我們坐擁海量信息,可真正找到對(duì)自己有用信息的效率變得越來(lái)越低;這意味著信息的海量供給和用戶需求間的矛盾正在與日俱增。而推薦系統(tǒng)是幫助用戶快速發(fā)現(xiàn)有用信息的一種工具,是緩解海量信息供給與用戶需求矛盾的一種有效解決方案。其中,協(xié)同過(guò)濾技術(shù)是推薦系統(tǒng)中應(yīng)用最多的技術(shù)。本文以協(xié)同過(guò)濾為研究目標(biāo)旨在解決該算法中存在的數(shù)據(jù)稀疏性、冷啟動(dòng)、可擴(kuò)展性等問(wèn)題,針對(duì)這些問(wèn)題本文提出了自己的解決方案,研究?jī)?nèi)容主要包括如下三個(gè)方面:（1）相似度計(jì)算是協(xié)同過(guò)濾的核心環(huán)節(jié),其計(jì)算的準(zhǔn)確與否對(duì)推薦結(jié)果影響很大。在數(shù)據(jù)非常稀疏的情況下,針對(duì)常用的相似度計(jì)算結(jié)果存在較大偏差,導(dǎo)致推薦結(jié)果不理想的問(wèn)題,本文提出了一種新的相似度計(jì)算方法。在有共同評(píng)分項(xiàng)目的基礎(chǔ)上,根據(jù)評(píng)分時(shí)間越近,用戶的相似度越高,所提算法融入時(shí)間因素;同時(shí),為避免活躍用戶和熱門(mén)項(xiàng)目對(duì)相似度計(jì)算造成的不當(dāng)貢獻(xiàn),本文也進(jìn)行了相關(guān)思考。由實(shí)驗(yàn)結(jié)果表明,本文的方法在一定程度上提高了推薦準(zhǔn)確度。（2）為減少近鄰搜索空間,從一定程度上提高推薦系統(tǒng)的可擴(kuò)展性問(wèn)題,本文將K均值聚類(lèi)算法與基于相似度計(jì)算的協(xié)同過(guò)濾算法結(jié)合在一起進(jìn)行推薦。首先... 

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀分析
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 推薦系統(tǒng)概述
    2.1 協(xié)同過(guò)濾推薦技術(shù)
        2.1.1 基于用戶的協(xié)同過(guò)濾
        2.1.2 基于項(xiàng)目的協(xié)同過(guò)濾
    2.2 其他推薦技術(shù)
        2.2.1 基于內(nèi)容的推薦
        2.2.2 基于關(guān)聯(lián)規(guī)則的推薦
    2.3 推薦系統(tǒng)評(píng)測(cè)
        2.3.1 用戶滿意度
        2.3.2 預(yù)測(cè)準(zhǔn)確度
        2.3.3 覆蓋率
        2.3.4 新穎性
    2.4 本章小結(jié)
第3章 基于相似度計(jì)算的協(xié)同過(guò)濾
    3.1 問(wèn)題的提出
    3.2 相關(guān)理論研究
        3.2.1 常用的相似度模型
        3.2.2 相似度模型的改進(jìn)
    3.3 改進(jìn)相似度計(jì)算的協(xié)同過(guò)濾
        3.3.1 數(shù)據(jù)的來(lái)源與說(shuō)明
        3.3.2 實(shí)驗(yàn)結(jié)果與討論
    3.4 本章小結(jié)
第4章 基于K均值聚類(lèi)的協(xié)同過(guò)濾
    4.1 問(wèn)題的提出
    4.2 K均值聚類(lèi)算法
    4.3 基于K均值的協(xié)同過(guò)濾算法
        4.3.1 算法的基本思想
        4.3.2 實(shí)驗(yàn)結(jié)果與討論
    4.4 本章小結(jié)
第5章 基于協(xié)同過(guò)濾的電影推薦
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)基本設(shè)計(jì)
        5.2.1 架構(gòu)設(shè)計(jì)
        5.2.2 數(shù)據(jù)庫(kù)設(shè)計(jì)
    5.3 系統(tǒng)核心模塊
        5.3.1 預(yù)測(cè)模塊
        5.3.2 推薦模塊
    5.4 本章小結(jié)
結(jié)論
    主要結(jié)果和創(chuàng)新點(diǎn)
    進(jìn)一步的研究工作
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)和改進(jìn)相似性度量的推薦算法[J]. 鄒鋒.  計(jì)算機(jī)應(yīng)用與軟件. 2019(11)
[2]一種有效緩解數(shù)據(jù)稀疏問(wèn)題的協(xié)同過(guò)濾推薦算法[J]. 張清,于博,王輝,鄧林.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[3]面向搜索引擎的實(shí)體推薦綜述[J]. 黃際洲,孫雅銘,王海峰,劉挺.  計(jì)算機(jī)學(xué)報(bào). 2019(07)
[4]協(xié)同過(guò)濾算法中冷啟動(dòng)問(wèn)題研究[J]. 邵煜,謝穎華.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[5]基于Apriori算法的關(guān)聯(lián)規(guī)則分析[J]. 王曉麗,奚克敏,劉占波,閆實(shí).  軟件. 2019(02)
[6]一種結(jié)合主題模型的推薦算法[J]. 曹占偉,胡曉鵬.  計(jì)算機(jī)應(yīng)用研究. 2019(06)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]一種巴氏系數(shù)改進(jìn)相似度的協(xié)同過(guò)濾算法[J]. 武文琪,王建芳,張朋飛,劉永利.  計(jì)算機(jī)應(yīng)用與軟件. 2017(08)
[9]個(gè)性化推薦系統(tǒng)綜述[J]. 劉輝,郭夢(mèng)夢(mèng),潘偉強(qiáng).  常州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[10]基于Jaccard相似度和位置行為的協(xié)同過(guò)濾推薦算法[J]. 李斌,張博,劉學(xué)軍,章瑋.  計(jì)算機(jī)科學(xué). 2016(12)

博士論文
[1]協(xié)同過(guò)濾技術(shù)及其在推薦系統(tǒng)中的應(yīng)用研究[D]. 冷亞軍.合肥工業(yè)大學(xué) 2013
[2]個(gè)性化推薦技術(shù)中的協(xié)同過(guò)濾算法研究[D]. 夏培勇.中國(guó)海洋大學(xué) 2011

碩士論文
[1]基于協(xié)同過(guò)濾的推薦算法及系統(tǒng)實(shí)現(xiàn)[D]. 孟俊才.安慶師范大學(xué) 2019
[2]面向稀疏性數(shù)據(jù)的協(xié)同過(guò)濾推薦算法研究[D]. 章金平.安徽大學(xué) 2019
[3]基于協(xié)同過(guò)濾的個(gè)性化新聞推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 朱滿洲.南京理工大學(xué) 2019



本文編號(hào)：3732713