本文選題：推薦系統(tǒng) + 用戶特征�。� 參考：《江西理工大學(xué)》2016年碩士論文

【摘要】：隨著4G時(shí)代的到來(lái),推薦系統(tǒng)作為大數(shù)據(jù)時(shí)代的產(chǎn)物在電子商務(wù)、信息檢索以及移動(dòng)應(yīng)用、社交網(wǎng)絡(luò)等眾多領(lǐng)域都取得了不錯(cuò)的發(fā)展。伴隨著這些應(yīng)用的發(fā)展用戶和產(chǎn)品數(shù)目不斷增長(zhǎng),數(shù)以億計(jì)的資源信息被產(chǎn)生,數(shù)據(jù)的規(guī)模不斷壯大,致使推薦系統(tǒng)面臨著前所未有的挑戰(zhàn)。主要包括數(shù)據(jù)稀疏、可擴(kuò)展性和冷啟動(dòng)等問(wèn)題,這些問(wèn)題儼然已成為了影響推薦質(zhì)量的主要因素,研究者們?cè)趯W(xué)習(xí)過(guò)程中提出了多種方法來(lái)克服這些問(wèn)題。但是針對(duì)形態(tài)各異的問(wèn)題不同的推薦算法存在各自的優(yōu)劣點(diǎn)。為此本文綜合分析了國(guó)內(nèi)外的研究現(xiàn)狀,針對(duì)推薦系統(tǒng)中的數(shù)據(jù)稀疏、冷啟動(dòng)、用戶特征隨時(shí)間動(dòng)態(tài)變化及不同用戶對(duì)同一特征依賴程度不同等問(wèn)題,分別從改進(jìn)算法及構(gòu)造新的數(shù)學(xué)模型等方面對(duì)推薦系統(tǒng)開展了細(xì)致地研究,主要工作成果如下:1.提出結(jié)合用戶特征分類和動(dòng)態(tài)時(shí)間的協(xié)同過(guò)濾推薦。本文主要通過(guò)加入用戶特征信息及特征動(dòng)態(tài)變化因子來(lái)改善協(xié)同過(guò)濾推薦存在的不足,首先構(gòu)建特征分類樹、并根據(jù)用戶間相同特征數(shù)目引入一種自適應(yīng)的權(quán)重模型改進(jìn)了計(jì)算特征相似度的方法。同時(shí)還分析了用戶特征動(dòng)態(tài)變化這一因素對(duì)推薦結(jié)果的影響,通過(guò)引入一個(gè)包含時(shí)間跨度的衰減函數(shù)來(lái)改善用戶特征動(dòng)態(tài)變化問(wèn)題對(duì)推薦精度的限制。最后針對(duì)冷啟動(dòng)問(wèn)題利用sigmoid函數(shù)將上述基于用戶特征模型與傳統(tǒng)協(xié)同過(guò)濾推薦模型相融合,通過(guò)平滑地過(guò)渡來(lái)靈活地計(jì)算用戶間相似度。為了突出本文算法的有效性,從推薦結(jié)果的準(zhǔn)確率、精度及召回率等方面進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表征結(jié)合用戶特征分類和動(dòng)態(tài)時(shí)間的協(xié)同過(guò)濾推薦不但能夠提升推薦精度、準(zhǔn)確率和召回率,同時(shí)對(duì)推薦系統(tǒng)面臨的冷啟動(dòng)問(wèn)題也起到了一定的緩解作用。2.提出基于降噪自編碼的推薦算法。自編碼神經(jīng)網(wǎng)絡(luò)隸屬于模型的方法,它能夠提取數(shù)據(jù)從低層到高層的特征,發(fā)現(xiàn)隱藏在樣本間潛在的相關(guān)性,為了提高推薦系統(tǒng)的推薦質(zhì)量將該模型應(yīng)用于推薦系統(tǒng)。針對(duì)原始數(shù)據(jù)之間的冗余度問(wèn)題,本文采用ZCA白化技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)化、去相關(guān)。同時(shí)為了增強(qiáng)自編碼神經(jīng)網(wǎng)絡(luò)的魯棒性,本文還對(duì)自編碼模型進(jìn)行了改進(jìn),提出了基于降噪自編碼的推薦算法,主要是在利用自編碼模型進(jìn)行訓(xùn)練時(shí)加入了隨機(jī)噪聲來(lái)克服自編碼神經(jīng)網(wǎng)絡(luò)將輸入樣本直接復(fù)制輸出的問(wèn)題。實(shí)驗(yàn)結(jié)果表明引入ZAC白化和降噪后的自編碼模型能夠有效地提高推薦的精度。
[Abstract]:With the arrival of 4G era, recommendation system as a product of big data era has made good progress in many fields such as e-commerce, information retrieval, mobile applications, social networks and so on. With the development of these applications, the number of users and products is increasing, hundreds of millions of resource information has been generated, and the scale of data is growing, which makes the recommendation system face unprecedented challenges. The main problems include data sparsity scalability and cold start. These problems have become the main factors affecting the quality of recommendations. Researchers have put forward a variety of methods to overcome these problems in the learning process. However, different recommendation algorithms have their own advantages and disadvantages. For this reason, this paper synthetically analyzes the domestic and foreign research situation, aiming at the problems of sparse data, cold start, dynamic change of user characteristics with time and different degree of dependence of different users on the same feature in recommendation system. The recommendation system is studied in detail from the aspects of improving the algorithm and constructing a new mathematical model. The main results are as follows: 1. A collaborative filtering recommendation based on user feature classification and dynamic time is proposed. In this paper, the shortcomings of collaborative filtering recommendation are improved by adding user feature information and feature dynamic change factor. Firstly, the feature classification tree is constructed. According to the same number of features among users, an adaptive weight model is introduced to improve the method of computing feature similarity. At the same time, the influence of the dynamic change of user features on the recommendation results is analyzed, and a attenuation function including time span is introduced to improve the limitation of recommendation accuracy caused by the dynamic change of user features. Finally, the sigmoid function is used to fuse the user feature model and the traditional collaborative filtering recommendation model for the cold start problem, and the similarity between users is calculated flexibly through a smooth transition. In order to highlight the effectiveness of the proposed algorithm, the accuracy, accuracy and recall rate of the proposed algorithm are verified. The experimental results show that the collaborative filtering recommendation combined with user feature classification and dynamic time can not only improve the recommendation accuracy, accuracy and recall rate, but also play a role in alleviating the cold start problem faced by the recommendation system. A recommendation algorithm based on noise reduction and self-coding is proposed. The self-coding neural network belongs to the model. It can extract the features from the lower level to the higher level and find the potential correlation between the samples. In order to improve the recommendation quality of the recommendation system, the model is applied to the recommendation system. Aiming at the problem of redundancy between raw data, this paper uses ZCA whitening technology to transform and decorrelate the original data. At the same time, in order to enhance the robustness of the self-coding neural network, the self-coding model is improved, and the recommendation algorithm based on de-noising self-coding is proposed. In order to overcome the problem of direct replication and output of input samples by self-coding neural network, random noise is added to train the self-coding model. The experimental results show that the self-coding model with ZAC whitening and noise reduction can effectively improve the accuracy of the recommendation.
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 米可菲;張勇;邢春曉;蔚欣;;面向大數(shù)據(jù)的開源推薦系統(tǒng)分析[J];計(jì)算機(jī)與數(shù)字工程;2013年10期

2 脫建勇;王嵩;李秀;劉文煌;;精品課共享中的推薦系統(tǒng)框架與實(shí)現(xiàn)[J];計(jì)算機(jī)工程與設(shè)計(jì);2006年17期

3 蘇冠賢;張麗霞;林丕源;劉吉平;;生物信息學(xué)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用研究;2007年05期

4 王改芬;;推薦系統(tǒng)研究綜述[J];軟件導(dǎo)刊;2007年23期

5 葉群來(lái);;營(yíng)銷與網(wǎng)絡(luò)推薦系統(tǒng)[J];電子商務(wù);2007年10期

6 李媚;;個(gè)性化網(wǎng)絡(luò)學(xué)習(xí)資源推薦系統(tǒng)研究[J];福建電腦;2008年12期

7 潘冉;姜麗紅;;基于經(jīng)濟(jì)學(xué)模型的推薦系統(tǒng)的研究[J];計(jì)算機(jī)應(yīng)用與軟件;2008年03期

8 劉魯;任曉麗;;推薦系統(tǒng)研究進(jìn)展及展望[J];信息系統(tǒng)學(xué)報(bào);2008年01期

9 劉小燕;陳艷麗;賈宗璞;沈記全;;基于增強(qiáng)學(xué)習(xí)的旅行計(jì)劃推薦系統(tǒng)[J];計(jì)算機(jī)工程;2010年21期

10 曹畋;;智能推薦系統(tǒng)在知識(shí)瀏覽領(lǐng)域的應(yīng)用[J];硅谷;2011年21期

相關(guān)會(huì)議論文 前8條

1 張燕;李燕萍;;基于內(nèi)容分析和點(diǎn)擊率記錄的混合音樂(lè)推薦系統(tǒng)[A];2009年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2009年

2 趙欣;寇綱;鄔文帥;盧艷群;;基于時(shí)間密集性的推薦系統(tǒng)攻擊檢測(cè)[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)論文摘要集[C];2011年

3 張玉連;張波;張敏;;改進(jìn)的個(gè)性化信息推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

4 王君;許潔萍;;層次音樂(lè)推薦系統(tǒng)的研究[A];第18屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

5 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務(wù)推薦系統(tǒng)[A];第三屆學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2006年

6 尤忠彬;陳越;張英;朱揚(yáng)勇;;基于Web服務(wù)的技術(shù)轉(zhuǎn)移平臺(tái)推薦系統(tǒng)研究[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

7 王國(guó)霞;劉賀平;李擎;;二部圖影射及其在推薦系統(tǒng)中的應(yīng)用[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 王雪;董愛華;吳怡之;;基于RFID技術(shù)的智能服裝推薦系統(tǒng)設(shè)計(jì)[A];2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

相關(guān)重要報(bào)紙文章 前2條

1 ;大數(shù)據(jù)如何“落地”[N];中國(guó)新聞出版報(bào);2014年

2 本報(bào)記者 鄒大斌;大數(shù)據(jù)：電商新武器[N];計(jì)算機(jī)世界;2012年

相關(guān)博士學(xué)位論文 前10條

1 周魏;推薦系統(tǒng)中基于目標(biāo)項(xiàng)目分析的托攻擊檢測(cè)研究[D];重慶大學(xué);2015年

2 田剛;融合維基知識(shí)的情境感知Web服務(wù)發(fā)現(xiàn)方法研究[D];武漢大學(xué);2015年

3 胡亮;集成多元信息的推薦系統(tǒng)建模方法的研究[D];上海交通大學(xué);2015年

4 孫麗梅;Web-based推薦系統(tǒng)中若干關(guān)鍵問(wèn)題研究[D];東北大學(xué);2013年

5 王宏宇;商務(wù)推薦系統(tǒng)的設(shè)計(jì)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2007年

6 楊東輝;基于情感相似度的社會(huì)化推薦系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2014年

7 曹渝昆;基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的智能推薦系統(tǒng)研究[D];重慶大學(xué);2006年

8 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2012年

9 劉龍;一個(gè)能實(shí)現(xiàn)個(gè)性化實(shí)時(shí)路徑推薦服務(wù)的推薦系統(tǒng)框架[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

10 李濤;推薦系統(tǒng)中若干關(guān)鍵問(wèn)題研究[D];南京航空航天大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 朱孔真;基于云計(jì)算的電子商務(wù)智能推薦系統(tǒng)研究[D];武漢理工大學(xué);2014年

2 郭敬澤;基于賦權(quán)評(píng)分和Dpark的分布式推薦系統(tǒng)研究與實(shí)現(xiàn)[D];天津理工大學(xué);2015年

3 周俊宇;信息推薦系統(tǒng)的研究與設(shè)計(jì)[D];江南大學(xué);2015年

4 李煒;基于電子商務(wù)平臺(tái)的保險(xiǎn)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2013年

5 車豐;基于排序主題模型的論文推薦系統(tǒng)[D];大連海事大學(xué);2015年

6 秦大路;基于因式分解機(jī)模型的上下文感知推薦系統(tǒng)研究[D];鄭州大學(xué);2015年

7 徐霞婷;動(dòng)態(tài)路網(wǎng)監(jiān)控與導(dǎo)航推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];蘇州大學(xué);2015年

8 黃學(xué)峰;基于Hadoop的電影推薦系統(tǒng)研究與實(shí)現(xiàn)[D];南京師范大學(xué);2015年

9 路小瑞;基于Hadoop平臺(tái)的職位推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];上海交通大學(xué);2015年

10 李愛寶;基于組合消費(fèi)行為分析的團(tuán)購(gòu)?fù)扑]系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號(hào)：1805350