【摘要】：自進入21世紀以來,互聯(lián)網(wǎng)技術(shù)發(fā)展迅速。隨著互聯(lián)網(wǎng)的普及,電子商務(wù)逐漸興起,網(wǎng)絡(luò)信息傳播等亦得到了長足發(fā)展。隨之而來的是,形形色色的商品或者網(wǎng)絡(luò)信息鋪天蓋地地呈現(xiàn)在我們的面前,面對種類和數(shù)量如此繁多的商品或信息,用戶很難快速選出最想要的內(nèi)容。個性化推薦技術(shù)應(yīng)運而生,它是解決上述問題的有效途徑之一,其功能主要是通過收集和分析用戶的歷史瀏覽信息,為用戶推薦出其可能感興趣的產(chǎn)品。一個功能完善的推薦系統(tǒng)通常是由三部分組成:記錄板塊,主要作用是記錄用戶的歷史行為;分析建模板塊;算法板塊。推薦算法作為整個推薦系統(tǒng)的核心,近年來其相關(guān)研究內(nèi)容成為推薦系統(tǒng)研究的熱點方向,因為推薦結(jié)果的好壞與推薦算法的性能密切相關(guān)。由于不同用戶的推薦需求各異,推薦工作就要具有個體化差異。實現(xiàn)推薦需求個性化所用的技術(shù)和算法復(fù)雜多樣,就目前而言,大概有以下4種,基于內(nèi)容的推薦算法、協(xié)同過濾推薦算法、混合推薦算法以及網(wǎng)絡(luò)推薦算法。協(xié)同過濾推薦技術(shù)是個性化推薦技術(shù)中應(yīng)用領(lǐng)域比較廣的成功的技術(shù)之一,它是利用集體智慧,在海量的用戶中發(fā)掘出一小部分興趣愛好比較類似的用戶即“鄰居”,根據(jù)分析記錄這些“鄰居”喜歡的其他內(nèi)容,生成一個具有排序的目錄,我們稱之為推薦結(jié)果,把推薦結(jié)果推送給這群用戶,從一定程度上減少了用戶“挑選”過程的工作量。傳統(tǒng)的協(xié)同過濾算法在計算相似用戶或者相似項目時,未將用戶行為時間或者項目之間具有相同的標簽等因素考慮在相似性計算中,而是直接使用用戶評分進行相似性計算,這就暴露出如新用戶或新產(chǎn)品加入后的冷啟動問題、稀疏矩陣問題、推薦的可擴展性問題等等,導(dǎo)致推薦結(jié)果精度不高,難以滿足用戶的實際需求。本研究是在基于項目的協(xié)同過濾算法基礎(chǔ)之上,將用戶行為時間以及項目本身所具有的標簽屬性等信息納入相似性計算之中,改善新用戶或者新產(chǎn)品進入后的冷啟動問題,進而提高推薦結(jié)果的質(zhì)量,盡可能滿足不同用戶的實際需求,實現(xiàn)個性化推薦服務(wù)。具體研究如下:首先,在實驗數(shù)據(jù)準備過程中,將用戶對資訊新聞、短視頻等信息產(chǎn)生的行為時間引入到數(shù)據(jù)集中,并在計算項目之間相似性時,將時間因子經(jīng)過時間衰減函數(shù)的預(yù)處理,整合到資源熱度的熱度評分上,然后再進行基于項目的協(xié)同過濾推薦。其次,針對新入資源庫的項目得不到合適的推薦權(quán)重,利用短視頻項目本身具有標簽這一特性,將短視頻標簽引入到相似性計算的過程中。因為短視頻在發(fā)布之前會被預(yù)先定義標簽,所以在提取短視頻標簽后,對標簽進行空間余弦相似度(Cosine Similarity)計算,對新入庫項目進行預(yù)測資源熱度評分,然后再將該資源的發(fā)布者的權(quán)威性進行權(quán)重調(diào)節(jié),然后使用基于項目的協(xié)同過濾進行推薦。最后,在基于用戶對資訊APP的真實行為日志上,設(shè)計實驗方案,對比經(jīng)典協(xié)同過濾算法與改進后的協(xié)同過濾的推薦結(jié)果,驗證改進后算法的性能。通過實驗結(jié)果,我們不難發(fā)現(xiàn),改進后的協(xié)同過濾算法確實改善了新用戶或新產(chǎn)品進入后的冷啟動問題,推薦精度在一定程度上確實得到了提高。
[Abstract]:Since the beginning of the 21st century, Internet technology has developed rapidly. With the popularity of the Internet, e-commerce has gradually risen, and network information dissemination has also been greatly developed. Personalized recommendation technology emerges as the times require. It is one of the effective ways to solve the above problems. Its function is to recommend products that users may be interested in by collecting and analyzing users'historical browsing information. As the core of the whole recommendation system, recommendation algorithm has become a hot research direction in recent years, because the recommendation results are closely related to the performance of the recommendation algorithm. The techniques and algorithms used to personalize the recommendation requirements are complex and varied. At present, there are about four kinds of recommendation algorithms: content-based recommendation algorithm, collaborative filtering recommendation algorithm, hybrid recommendation algorithm and network recommendation algorithm. One of the more successful technologies in the field of application is to use collective wisdom to discover a small number of users with similar interests and hobbies, namely "neighbors". According to the analysis and recording of other content that these "neighbors" like, a catalog with ranking is generated, which we call recommendation results, and recommendation results are obtained. Pushing to this group of users reduces the workload of the user's "selection" process to a certain extent. The traditional collaborative filtering algorithm does not consider such factors as user's behavior time or the same label between items in the similarity calculation, but directly uses the user's score for similarity. Sexual computing, which exposes such as cold start-up problems, sparse matrix problems, recommendation scalability problems, and so on, leads to the recommendation results are not accurate enough to meet the actual needs of users. This study is based on the Project-based Collaborative Filtering algorithm, the user behavior time and the project itself. Information such as tag attributes is included in similarity calculation to improve the cold start problem of new users or new products, and then improve the quality of recommendation results, satisfy the actual needs of different users as much as possible, and realize personalized recommendation service. The behavior time generated by news, short video and other information is introduced into the data set. When calculating the similarity between items, the time factor is integrated into the heat score of resource heat through the pretreatment of time attenuation function, and then the item-based collaborative filtering recommendation is carried out. Secondly, the new items are not suitable for the new ones. Recommended weights are used to introduce short video labels into similarity computation by using the tagging feature of short video items. Since short video labels are pre-defined before publishing, the spatial cosine similarity (Cosine Similarity) of the labels is calculated after extracting the short video labels. Finally, an experimental scheme is designed based on the user's log of the actual implementation of the information APP. The proposed scheme is validated by comparing the recommendation results of the classical collaborative filtering algorithm with the improved collaborative filtering algorithm. Experimental results show that the improved collaborative filtering algorithm improves the cold start problem of new users or new products, and the recommendation accuracy is improved to a certain extent.
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類的協(xié)同過濾算法[J];計算機系統(tǒng)應(yīng)用;2007年01期

2 楊風召;;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

3 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

4 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];武漢大學學報(工學版);2008年02期

5 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

6 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];西安電子科技大學學報;2009年04期

7 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

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

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

10 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

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)仿真學會第五次全國會員代表大會暨2006年全國學術(shù)年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學術(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)庫學術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學位論文 前10條

1 紀科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學;2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國海洋大學;2015年

3 于程遠;基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學;2015年

4 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;2009年

5 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;2008年

6 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;2011年

7 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機制研究[D];天津大學;2012年

8 高e，

本文編號：2212181