本文選題：互惠推薦 + 在線交友��； 參考：《山東師范大學》2017年碩士論文

【摘要】：隨著電子商務的發(fā)展,出現了越來越多的用戶到用戶模式的雙向推薦,傳統(tǒng)個性化推薦的項目到用戶的推薦已經無法滿足用戶的需求,這就催生了時下以在線交友網站為代表的互惠推薦的蓬勃發(fā)展。在線交友網站每天為進行交友的異性雙方提供大量的交友信息,求職網站每天不僅為求職者提供大量的職位信息,而且為企業(yè)的人員招聘提供大量的求職簡歷信息,但是這些信息繁雜龐大,缺乏有效的系統(tǒng)分類,無論是對交友雙方還是對參與到求職招聘環(huán)節(jié)中的求職人員和招聘人員,都難以精確定位自己感興趣的對象。因此,改進互惠推薦算法并且最大程度上提高推薦質量是迫切需要解決的。本文提出面向在線交友領域的互惠推薦算法,從矩陣補全、互惠相似度兩個方面來提高互惠推薦算法的效率,充分考慮兩個方面之間的關系,對互惠推薦算法進行了較為深入的研究工作。主要工作及貢獻如下:(1)針對以在線交友為代表的互惠推薦系統(tǒng)中存在的數據稀疏問題,提出一種緩解數據稀疏性的矩陣補全算法。首先,深入分析了常用的兩種矩陣補全方法;其次,在此基礎上將兩種方法進行混合加權,提出了基于LMaFit和K-Means混合加權的矩陣補全算法,將低秩矩陣補全LMaFit算法和K-Means聚類算法的優(yōu)勢進行互補;最后,通過實驗驗證了基于LMaFit和K-Means混合加權的矩陣補全算法比任何單獨一種在平均絕對誤差MAE上都表現得要好。(2)提出一種基于互惠相似度的互惠推薦算法。首先,對男女用戶的顯式偏好和隱式偏好做了相關定義,并在此基礎上給出了男女用戶之間顯式偏好相似度和隱式偏好相似度的計算方法;其次,針對顯式偏好相似度和隱式偏好相似度在男女用戶互惠推薦中作用的大小,分別賦予不同的權重因子,形成改進后的互惠相似度;最后,與當前互惠推薦中常用的兩種推薦算法進行了實驗對比,該算法在準確率、召回率和調和平均數方面,比另外兩種算法都有明顯地改善。
[Abstract]:With the development of e-commerce, more and more users to the user mode of two-way recommendation, the traditional personalized recommendation from the item to the user recommendation has been unable to meet the needs of users. This gave birth to the rapid development of reciprocal recommendations, as represented by online dating sites. Online dating sites provide a lot of dating information for the opposite sex who make friends every day. Job search websites not only provide a lot of job information for job seekers every day, but also provide a lot of resume information for the recruitment of people in enterprises. However, these information are complicated and lack of effective systematic classification. It is difficult to accurately locate the object of interest to both friends and job seekers and recruiters who are involved in the job recruitment process. Therefore, it is urgent to improve the reciprocal recommendation algorithm and improve the recommendation quality to the greatest extent. In this paper, a reciprocal recommendation algorithm for online dating is proposed, which improves the efficiency of the reciprocal recommendation algorithm from two aspects of matrix complement and reciprocal similarity, and fully considers the relationship between the two aspects. The reciprocal recommendation algorithm is studied deeply. The main work and contributions are as follows: (1) aiming at the problem of data sparsity in the reciprocal recommendation system represented by online dating, a matrix complement algorithm is proposed to reduce the data sparsity. Firstly, two kinds of matrix complement methods are deeply analyzed, secondly, the two methods are mixed weighted, and a matrix complement algorithm based on LMaFit and K-Means is proposed. The advantages of the low rank matrix complement LMaFit algorithm and the K-Means clustering algorithm are complementary. Finally, Experimental results show that the matrix complement algorithm based on LMaFit and K-Means is better than any single one on the average absolute error (MAE).) A reciprocal recommendation algorithm based on reciprocal similarity is proposed. Firstly, the explicit preference and implicit preference of male and female users are defined, and on this basis, the explicit preference similarity and implicit preference similarity between male and female users are calculated. According to the magnitude of explicit preference similarity and implicit preference similarity in the reciprocal recommendation of male and female users, different weight factors are assigned to form the improved reciprocal similarity. Finally, The experimental results are compared with the two commonly used recommendation algorithms in the reciprocal recommendation system. The proposed algorithm is much better than the other two algorithms in terms of accuracy recall and harmonic average.
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關期刊論文 前10條

1 高倩;何聚厚;;改進的面向數據稀疏的協同過濾推薦算法[J];計算機技術與發(fā)展;2016年03期

2 蔡雄峰;艾麗華;丁丁;;一種緩解協同過濾算法數據稀疏性的方法[J];軟件;2015年03期

3 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學;2014年04期

4 史加榮;鄭秀云;魏宗田;楊威;;低秩矩陣恢復算法綜述[J];計算機應用研究;2013年06期

5 黃永鋒;覃羅春;;一種有效緩解協同過濾推薦評價數據稀疏問題的算法[J];東華大學學報(自然科學版);2013年01期

6 王洋;駱力明;;一種解決協同過濾數據稀疏性問題的方法[J];首都師范大學學報(自然科學版);2012年04期

7 李忠俊;周啟海;帥青紅;;一種基于內容和協同過濾同構化整合的推薦系統(tǒng)模型[J];計算機科學;2009年12期

8 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學進展;2009年01期

9 連鳳娜;吳錦林;唐琦;;一種改進的K-means聚類算法[J];電腦與信息技術;2008年01期

10 吳顏;沈潔;顧天竺;陳曉紅;李慧;張舒;;協同過濾推薦系統(tǒng)中數據稀疏問題的解決[J];計算機應用研究;2007年06期

相關博士學位論文 前1條

1 孫小華;協同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D];浙江大學;2005年

相關碩士學位論文 前4條

1 李容;協同過濾推薦系統(tǒng)中稀疏性數據的算法研究[D];電子科技大學;2016年

2 劉超然;面向招聘領域的互惠推薦算法研究[D];燕山大學;2012年

3 夏小伍;基于信任模型的協同過濾推薦算法的研究[D];中國科學技術大學;2011年

4 周偉華;基于個性化推薦的移動閱讀服務系統(tǒng)的研究與設計[D];北京郵電大學;2011年

，

本文編號：1924958