【摘要】：當(dāng)今時(shí)代是一個(gè)“信息爆炸”的時(shí)代,Internet為人們提供了大量的信息資源,在這些資源中,蘊(yùn)含著大量有價(jià)值的知識。但是面對這些信息,人們在享受信息帶來的便利的同時(shí),也感到了不知所措,我們把這種現(xiàn)象稱為“信息過載”,或者叫“信息迷失”。因此如何快速地幫助用戶從眾多信息中找出自己想要的信息成為用戶的迫切需求。個(gè)性化推薦系統(tǒng)適時(shí)地出現(xiàn)了。個(gè)性化推薦系統(tǒng)是一種智能化系統(tǒng),可以根據(jù)用戶的興趣向用戶提供個(gè)性化服務(wù)。它根據(jù)一定的算法過濾掉多余的數(shù)據(jù),直接向用戶推薦有價(jià)值的物品。在很大程度上削減了用戶搜索資源的開銷。實(shí)際上,個(gè)性化推薦系統(tǒng)已經(jīng)成為目前解決信息過載最有效的工具之一。協(xié)同過濾技術(shù)是推薦系統(tǒng)(Recommender System)最為核心的技術(shù)之一,也是目前應(yīng)用最為廣泛和成功的技術(shù)[1]。與很多傳統(tǒng)算法不同,協(xié)同過濾與項(xiàng)目的內(nèi)容無關(guān),因此實(shí)現(xiàn)較為容易,現(xiàn)在已經(jīng)被許多大型網(wǎng)站所采用。近年來,針對推薦系統(tǒng)的研究不僅僅局限于算法方面,也有許多在應(yīng)用方面的研究熱點(diǎn)。例如:電子商務(wù)、圖書館等,高校圖書館更是其中的熱點(diǎn)之一。本文以協(xié)同過濾算法和高校圖書館為研究目標(biāo),意在解決協(xié)同過濾算法在應(yīng)用中遇到的問題,如冷啟動(dòng)、用戶滿意度低等。針對推薦系統(tǒng)的協(xié)同過濾算法,我們在論文中做了以下幾個(gè)方面的理論研究和應(yīng)用工作:(1)綜合學(xué)習(xí)了協(xié)同過濾領(lǐng)域的國內(nèi)外研究,闡述了協(xié)同過濾的工作過程和基本類別,點(diǎn)明了協(xié)同過濾的基本思想和關(guān)鍵問題。(2)針對協(xié)同過濾的眾多問題,提出了基于項(xiàng)目特征和用戶屬性相關(guān)的相似性計(jì)算方法;充分利用了高校圖書館內(nèi)圖書和用戶自身固有的特性,避免了數(shù)據(jù)稀疏和冷啟動(dòng)等問題。(3)本文對傳統(tǒng)聚類算法中的相關(guān)問題進(jìn)行了詳細(xì)地分析,針對性地提出了一種能夠自動(dòng)生成相對比較均勻分布的K個(gè)初始中心的改進(jìn)算法;并在此基礎(chǔ)上創(chuàng)造性地提出了匹配樹的思想,進(jìn)一步提高推薦精度。(4)針對用戶評分稀疏性問題,結(jié)合基于項(xiàng)目的聚類算法和改進(jìn)的相關(guān)相似性計(jì)算方法代替?zhèn)鹘y(tǒng)評分相似性查找鄰居,避免了冷啟動(dòng)問題,緩解了新用戶、新項(xiàng)目的難題。提高了推薦的精度和用戶的滿意度。綜合上述的研究,本文提出了用戶屬性相似度概念及圖書館中的活躍相似度,并融入了多種算法的思想,最終形成了一種混合的協(xié)同過濾推薦算法。實(shí)驗(yàn)結(jié)果表明:改進(jìn)的算法能有效提高推薦準(zhǔn)確性,并在一定程度上緩解了冷啟動(dòng)的問題。
[Abstract]:Today is an era of "information explosion". Internet provides people with a lot of information resources, in which there are a lot of valuable knowledge. But in the face of these information, people enjoy the convenience of information, but also feel at a loss, we call this phenomenon "information overload", or "information lost". Therefore, how to quickly help users to find the information they want from many information becomes the urgent need of users. Personalized recommendation system appeared in time. Personalized recommendation system is an intelligent system, which can provide personalized services to users according to their interests. It filters out excess data according to a certain algorithm and recommends valuable items directly to users. To a large extent, the cost of user search resources is reduced. In fact, personalized recommendation system has become one of the most effective tools to solve information overload. Collaborative filtering is one of the core technologies of recommendation system (Recommender System), and it is also the most widely used and successful technology. Unlike many traditional algorithms, collaborative filtering is independent of the content of the project, so it is easy to implement and has been adopted by many large websites. In recent years, the research of recommendation system is not only limited to the algorithm, but also has a lot of research hotspot in application. For example: e-commerce, library and so on, university library is one of the hot spots. This paper aims at solving the problems in the application of collaborative filtering algorithm, such as cold start, low user satisfaction and so on. In view of collaborative filtering algorithm of recommendation system, we have done the following theoretical research and application work in this paper: (1) We have comprehensively studied the domestic and foreign research in the field of collaborative filtering, and expounded the working process and basic categories of collaborative filtering. The basic ideas and key problems of collaborative filtering are pointed out. (2) aiming at many problems of collaborative filtering, a similarity calculation method based on item features and user attributes is proposed. This paper makes full use of the inherent characteristics of books and users in university libraries and avoids the problems of data sparsity and cold startup. (3) this paper makes a detailed analysis of the related problems in the traditional clustering algorithm. An improved algorithm which can automatically generate K initial centers with relatively uniform distribution is proposed, and the idea of matching tree is proposed creatively. (4) aiming at the problem of user score sparsity, combining the project-based clustering algorithm and the improved similarity calculation method to replace the traditional score similarity to find neighbors, the cold start problem is avoided and the new user is alleviated. The conundrum of a new project Improve the accuracy of recommendation and user satisfaction. Based on the above research, this paper proposes the concept of user attribute similarity and active similarity in library, and integrates the ideas of many algorithms, and finally forms a hybrid collaborative filtering recommendation algorithm. The experimental results show that the improved algorithm can effectively improve the accuracy of recommendation and alleviate the cold start problem to some extent.
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱俚治;;一種基于決策系統(tǒng)和決策樹的誤用檢測算法[J];計(jì)算機(jī)與數(shù)字工程;2016年12期

2 張明微;吳海濤;;一種優(yōu)化初始聚類中心的k-means算法[J];上海師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年05期

3 張靜博;;網(wǎng)絡(luò)背景下數(shù)字圖書館發(fā)展與創(chuàng)新研究[J];河南科技;2015年23期

4 黨永杰;鄭世玨;明均仁;;多維視角下移動(dòng)圖書館用戶偏好模型構(gòu)建研究[J];情報(bào)理論與實(shí)踐;2016年01期

5 曾子明;金鵬;;基于用戶興趣變化的數(shù)字圖書館知識推薦服務(wù)研究[J];圖書館論壇;2016年01期

6 蘇新寧;;大數(shù)據(jù)時(shí)代數(shù)字圖書館面臨的機(jī)遇和挑戰(zhàn)[J];中國圖書館學(xué)報(bào);2015年06期

7 郭順利;李秀霞;;基于情境感知的移動(dòng)圖書館用戶信息需求模型構(gòu)建[J];情報(bào)理論與實(shí)踐;2014年08期

8 張曉林;;顛覆數(shù)字圖書館的大趨勢[J];中國圖書館學(xué)報(bào);2011年05期

9 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

10 周愛武;于亞飛;;K-Means聚類算法的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年02期

相關(guān)博士學(xué)位論文 前2條

1 周玲元;圖書館情境感知服務(wù)模型及應(yīng)用研究[D];南昌大學(xué);2015年

2 夏培勇;個(gè)性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 周鯤;基于用戶相似度的協(xié)同過濾推薦算法研究[D];西南交通大學(xué);2016年

2 王海燕;電子商務(wù)協(xié)同過濾推薦算法的優(yōu)化研究[D];河北工程大學(xué);2016年

3 翟艷萍;基于UTAUT模型的圖書館移動(dòng)信息服務(wù)研究[D];山東大學(xué);2016年

4 趙冰;數(shù)據(jù)挖掘技術(shù)在公安院校圖書館個(gè)性化推薦中的應(yīng)用研究[D];長春工業(yè)大學(xué);2016年

5 路春霞;個(gè)性化推薦中協(xié)同過濾算法研究[D];北京交通大學(xué);2016年

6 鄭麗姣;個(gè)性化推薦技術(shù)在高校數(shù)字圖書館中的應(yīng)用研究[D];湖南科技大學(xué);2015年

7 董曉梅;圖書借閱系統(tǒng)中的協(xié)同過濾推薦技術(shù)研究[D];大連理工大學(xué);2015年

8 張猛;基于領(lǐng)域本體的個(gè)性化旅游推薦系統(tǒng)的研究與實(shí)現(xiàn)[D];重慶大學(xué);2015年

9 牛意熹;基于知識情境的數(shù)字圖書館個(gè)性化推薦系統(tǒng)的研究[D];南昌大學(xué);2014年

10 袁利;基于聚類的協(xié)同過濾個(gè)性化推薦算法研究[D];華中師范大學(xué);2014年

，

本文編號：2275963