發(fā)布時間：2018-04-24 02:31

  本文選題：推薦系統(tǒng) + 協(xié)同過濾��； 參考：《廣東工業(yè)大學(xué)》2016年碩士論文

【摘要】：互聯(lián)網(wǎng)的普及和信息技術(shù)的快速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)呈指數(shù)級增長,尤其近年社交網(wǎng)站和電子商務(wù)網(wǎng)站的興起與迅猛發(fā)展,出現(xiàn)了“信息資源過載”和“數(shù)據(jù)爆炸”的現(xiàn)象。這些現(xiàn)象已經(jīng)成為商家與用戶不容忽視的重要難題,而個性化推薦服務(wù)的出現(xiàn)是解決這一現(xiàn)狀的有效手段。在推薦算法研究中,協(xié)同過濾算法是目前應(yīng)用最為廣泛的個性化推薦技術(shù)之一,如基于用戶的與基于項目的協(xié)同過濾機制與算法等。然而,目前的大多數(shù)推薦系統(tǒng)都存在用戶冷啟動問題和數(shù)據(jù)稀疏性問題。此外,只采用傳統(tǒng)的相似度來計算項目最近鄰居,會忽略用戶行為,未能關(guān)注用戶的各種興趣愛好。同時,計算尋找用戶最近鄰居時忽略用戶之間的信任問題,也會對推薦質(zhì)量有所影響。因此,優(yōu)化相似度計算,更合理的解決數(shù)據(jù)稀疏性與冷啟動問題,提高推薦準(zhǔn)確率,為用戶提供更人性化的推薦服務(wù)已成為協(xié)同過濾推薦領(lǐng)域的熱點研究方向。本文根據(jù)以上傳統(tǒng)協(xié)同過濾存在的相關(guān)問題,提出了一種基于協(xié)同過濾的混合相似度推薦算法。該算法考慮用戶行為,采用混合模型,改進(jìn)相似度度量計算,通過將項目屬性相關(guān)性和修正余弦相似性進(jìn)行線性組合,提出一種混合相似度計算方法來計算最近鄰居項目集。同時,研究分析傳統(tǒng)協(xié)同推薦系統(tǒng)沒有引入用戶間的信任關(guān)系,通過用戶-信任關(guān)系矩陣計算用戶之間的信任度,再結(jié)合上述的混合相似度來計算用戶最近鄰居,最終將用戶的評分相似性和用戶的信任度相結(jié)合,形成新的相似度度量方法來對目標(biāo)項目進(jìn)行預(yù)測評分,最終形成TOP-N推薦對象列表向用戶推薦。論文通過算法比較,在Epinions公開數(shù)據(jù)集上將所研算法與混合相似度的用戶多興趣推薦算法、基于用戶的協(xié)同過濾推薦算法、基于用戶信任的協(xié)同過濾推薦算法、基于信任的用戶聚類推薦算法四種算法進(jìn)行了對比。實驗結(jié)果表明,本文提出的基于協(xié)同過濾的混合相似度推薦算法比其他四個算法在平均絕對誤差值上有一定的提高,證明了本算法的可行性與有效性。該推薦算法不僅提高了推薦的準(zhǔn)確率,而且在一定程度上可以解決用戶的冷啟動問題,讓用戶有更人性化的推薦體驗,有助于推動推薦機制的發(fā)展。
[Abstract]:With the popularization of the Internet and the rapid development of information technology, the network data is increasing exponentially. In recent years, especially the rise and rapid development of social and electronic commerce websites, the phenomenon of "information resources overload" and "data explosion" appears. These phenomena have become an important problem that can not be ignored by merchants and users, and the emergence of personalized recommendation service is an effective means to solve this situation. In the research of recommendation algorithms, collaborative filtering algorithm is one of the most widely used personalized recommendation technologies, such as user-based and project-based collaborative filtering mechanisms and algorithms. However, most recommendation systems have cold boot problem and data sparsity problem. In addition, only traditional similarity is used to calculate the nearest neighbor of the project, which ignores user behavior and fails to pay attention to various interests of users. At the same time, the problem of trust between users is ignored when searching for the nearest neighbor of users, which will affect the quality of recommendation. Therefore, optimizing similarity calculation, solving the problem of data sparsity and cold start more reasonably, improving recommendation accuracy and providing users with more humanized recommendation service have become the hot research direction in collaborative filtering recommendation field. In this paper, a hybrid similarity recommendation algorithm based on collaborative filtering is proposed. Considering user behavior, the algorithm uses a hybrid model to improve similarity measurement. By combining item attribute correlation with modified cosine similarity, a hybrid similarity calculation method is proposed to calculate the nearest neighbor itemsets. At the same time, the paper analyzes that the traditional collaborative recommendation system does not introduce the trust relationship between users. The trust degree between users is calculated by the user-trust matrix, and the user nearest neighbor is calculated by combining the hybrid similarity mentioned above. Finally, a new similarity measure method is formed to predict the target items by combining the user's rating similarity and user's trust, and finally the list of TOP-N recommendation objects is formed to recommend to the user. Through the comparison of algorithms, this paper compares the proposed algorithm with mixed similarity recommendation algorithm, collaborative filtering recommendation algorithm based on user, collaborative filtering recommendation algorithm based on user trust, and collaborative filtering recommendation algorithm based on user trust. The trust-based user clustering recommendation algorithm is compared. The experimental results show that the proposed hybrid similarity recommendation algorithm based on collaborative filtering is better than the other four algorithms in the mean absolute error value, which proves the feasibility and effectiveness of this algorithm. This recommendation algorithm not only improves the accuracy of recommendation, but also can solve the cold start problem of users to a certain extent, make users have more humanized recommendation experience, and help to promote the development of recommendation mechanism.
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊風(fēng)召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應(yīng)用;2007年06期

2 王嵐;翟正軍;;基于時間加權(quán)的協(xié)同過濾算法[J];計算機應(yīng)用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導(dǎo)購系統(tǒng)[J];武漢大學(xué)學(xué)報(工學(xué)版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學(xué)學(xué)報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 沈磊;周一民;李舟軍;;基于心理學(xué)模型的協(xié)同過濾推薦方法[J];計算機工程;2010年20期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進(jìn)研究[J];計算機技術(shù)與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

10 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術(shù)的個性化網(wǎng)絡(luò)教學(xué)平臺研究[J];科技風(fēng);2012年06期

相關(guān)會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

2 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

3 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學(xué);2011年

4 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進(jìn)機制研究[D];天津大學(xué);2012年

5 高e，

本文編號：1794747