個(gè)性化推薦無處不在,并且已經(jīng)廣泛應(yīng)用到電子商務(wù)、廣告、社交媒體等許多在線服務(wù)中,可以幫助用戶找到感興趣的物品從而解決信息過載問題。其核心思想是基于如購買和單擊等歷史交互信息來估計(jì)用戶購買某個(gè)物品的可能性�；诰仃嚪纸獾耐扑]模型將用戶行為矩陣分解為隱因子空間上用戶與物品特征矩陣,因?yàn)槠渚哂徐`活性高與可擴(kuò)展性好等優(yōu)點(diǎn),成為研究人員構(gòu)造社交推薦模型的重要基礎(chǔ)模型。針對(duì)推薦系統(tǒng)存在的數(shù)據(jù)稀疏、冷啟動(dòng)與可擴(kuò)展性問題,在現(xiàn)有協(xié)同過濾算法、基于社交網(wǎng)絡(luò)推薦算法等領(lǐng)域研究成果的基礎(chǔ)上,研究融合多元信息的矩陣分解推薦算法,本文的主要工作如下:第一,提出了基于二分圖劃分聯(lián)合聚類的協(xié)同過濾推薦算法。首先將用戶與項(xiàng)目構(gòu)建成二分圖進(jìn)行聯(lián)合聚類映射到低維潛在特征空間;其次根據(jù)聚類結(jié)果設(shè)計(jì)改進(jìn)的兩種相似性計(jì)算策略:簇偏好相似性和評(píng)分相似性,并將二者結(jié)合�；诮Y(jié)合的相似性,分別采用基于用戶和項(xiàng)目的方法來獲得對(duì)未知評(píng)分的預(yù)測。最后,將這些預(yù)測結(jié)果進(jìn)行了融合。第二,提出了融合可靠性與影響傳播的矩陣分解推薦算法。針對(duì)現(xiàn)有矩陣分解推薦算法存在忽略用戶推薦準(zhǔn)確度,未能考慮用戶間信任程度強(qiáng)弱和影響傳播的問題,首先利用評(píng)分?jǐn)?shù)據(jù)計(jì)算...

【文章頁數(shù)】：48 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于協(xié)同過濾的推薦算法
        1.2.2 基于矩陣分解的推薦算法
    1.3 研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 相關(guān)理論與技術(shù)
    2.1 推薦系統(tǒng)分類
        2.1.1 基于內(nèi)容的推薦
        2.1.2 基于協(xié)同過濾的推薦算法
        2.1.3 混合推薦
    2.2 個(gè)性化推薦相關(guān)技術(shù)
        2.2.1 二分圖模型
        2.2.2 矩陣分解
        2.2.3 梯度下降
    2.3 本章小結(jié)
第3章 基于二分圖劃分聯(lián)合聚類的協(xié)同過濾推薦
    3.1 基于二分圖劃分的聯(lián)合聚類
    3.2 基于聯(lián)合聚類的協(xié)同過濾推薦
        3.2.1 簇偏好相似性
        3.2.2 基于用戶的預(yù)測
        3.2.3 預(yù)測的融合
    3.3 結(jié)果與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 實(shí)驗(yàn)結(jié)果與相關(guān)分析
    3.4 本章小結(jié)
第4章 融合可靠性與影響傳播的矩陣分解推薦算法
    4.1 問題描述
        4.1.1 用戶的可靠性
        4.1.2 用戶的影響傳播
    4.2 融合可靠性與影響傳播的矩陣分解
        4.2.1 用戶可靠性關(guān)系的矩陣分解
        4.2.2 用戶影響傳播關(guān)系
        4.2.3 融合可靠性與影響傳播的矩陣分解模型
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
個(gè)人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果



本文編號(hào)：3865714