發(fā)布時(shí)間：2019-02-20 08:12

【摘要】：伴隨網(wǎng)絡(luò)的高速發(fā)展和計(jì)算機(jī)技術(shù)的日新月異,電子商務(wù)中出現(xiàn)了信息過(guò)載的現(xiàn)象。為了盡快地處理類似情況,推薦系統(tǒng)隨之誕生,此中以協(xié)同過(guò)濾算法為基礎(chǔ)的系統(tǒng)更是得到了具大的肯定。但還是存在一些不易解決的問(wèn)題,其中影響最大的就是數(shù)據(jù)過(guò)于稀疏的問(wèn)題。本文主要針對(duì)協(xié)同過(guò)濾推薦系統(tǒng)中稀疏性數(shù)據(jù)的現(xiàn)象,提出優(yōu)化傳統(tǒng)算法的方案。首先,深入研究傳統(tǒng)協(xié)同過(guò)濾推薦算法在稀疏性數(shù)據(jù)的場(chǎng)景下,相似度計(jì)算存在的優(yōu)缺點(diǎn),對(duì)比并且對(duì)其修正,得到基于改進(jìn)計(jì)算方法的協(xié)同過(guò)濾算法。然后,根據(jù)稀疏數(shù)據(jù)的特征對(duì)用戶—項(xiàng)目矩陣?yán)酶倪M(jìn)PCA減維。將通過(guò)建立可擴(kuò)展聚類方法,對(duì)原始數(shù)據(jù)利用優(yōu)化的K-Means算法進(jìn)行有效聚類,得到針對(duì)稀疏性數(shù)據(jù)的基于降維和聚類的協(xié)同過(guò)濾算法,并將在電影推薦場(chǎng)景中使用優(yōu)化后的算法。主要研究?jī)?nèi)容包括:(1)深入研究傳統(tǒng)計(jì)算方法在評(píng)分?jǐn)?shù)據(jù)異常稀疏的場(chǎng)景下,無(wú)法準(zhǔn)確的表達(dá)用戶間相似程度的問(wèn)題,并在此基礎(chǔ)上提出相應(yīng)的改進(jìn)方案。針對(duì)傳統(tǒng)的相似度計(jì)算方法普遍沒有考慮用戶之間的共同評(píng)分項(xiàng)數(shù)量的問(wèn)題,以及考慮到每個(gè)用戶的評(píng)價(jià)標(biāo)準(zhǔn)是不一致的問(wèn)題,對(duì)相似度計(jì)算進(jìn)行改進(jìn)。得到優(yōu)化的協(xié)同算法,能更加全面考慮傳統(tǒng)計(jì)算方法存在的缺陷。(2)研究處理稀疏數(shù)據(jù)的有效方案。分析改進(jìn)主成分分析PCA,并將其用來(lái)對(duì)過(guò)于稀疏的評(píng)分矩陣進(jìn)行減維處理,有效較低數(shù)據(jù)的稀疏度。研究可擴(kuò)展性的改進(jìn)聚類方法,對(duì)初始數(shù)據(jù)集利用優(yōu)化的K-Means算法對(duì)其進(jìn)行有效聚集,將具有高相似性的用戶劃分到相同的類中,能更好的構(gòu)造用戶鄰居集,從而減少稀疏數(shù)據(jù)對(duì)算法的影響,同時(shí)改善傳統(tǒng)協(xié)同過(guò)濾算法在選取鄰居時(shí)計(jì)算過(guò)于復(fù)雜度的問(wèn)題。最后利用電影數(shù)據(jù)集movielens對(duì)本文的優(yōu)化算法進(jìn)行驗(yàn)證,仿真表明在電影推薦場(chǎng)景下,確實(shí)能改善稀疏性問(wèn)題。
[Abstract]:With the rapid development of network and the rapid change of computer technology, the phenomenon of information overload appears in electronic commerce. In order to deal with the similar situation as soon as possible, the recommendation system was born, and the system based on collaborative filtering algorithm was recognized. However, there are still some problems that are difficult to solve, among which the most important problem is that the data is too sparse. Aiming at the phenomenon of sparse data in collaborative filtering recommendation system, this paper proposes a scheme to optimize the traditional algorithm. Firstly, the advantages and disadvantages of the traditional collaborative filtering recommendation algorithm in sparse data scene are studied, compared and modified, and a collaborative filtering algorithm based on the improved algorithm is obtained. Then, the improved PCA is used to reduce the dimension of the user-item matrix according to the characteristics of sparse data. An extensible clustering method is established to effectively cluster the raw data using the optimized K-Means algorithm, and a collaborative filtering algorithm based on reduced and clustering for sparse data is obtained. The optimized algorithm will be used in the movie recommendation scene. The main research contents are as follows: (1) the traditional computing method can not accurately express the similarity between users in the scene where the scoring data are very sparse, and on the basis of this, the corresponding improvement scheme is put forward. In order to solve the problem that the traditional similarity calculation method does not consider the number of common score items among users, and considering that the evaluation criteria of each user are inconsistent, the similarity calculation is improved. The optimized cooperative algorithm can take into account the shortcomings of traditional computing methods more comprehensively. (2) an effective scheme to deal with sparse data is studied. The improved principal component analysis (PCA,) is analyzed and used to reduce the dimension of the score matrix which is too sparse to reduce the data sparsity effectively. The improved clustering method of extensibility is studied. The initial data set is effectively aggregated by the optimized K-Means algorithm, and the users with high similarity can be divided into the same classes, which can better construct the user neighbor set. In order to reduce the influence of sparse data on the algorithm and improve the complexity of traditional collaborative filtering algorithm in selecting neighbors. Finally, the optimization algorithm of this paper is validated by movielens, and the simulation results show that the sparse problem can be improved in the movie recommendation scenario.
【學(xué)位授予單位】：電子科技大學(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 楊風(fēng)召;;一種基于特征表的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

2 王嵐;翟正軍;;基于時(shí)間加權(quán)的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)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(guò)濾的智能導(dǎo)購(gòu)系統(tǒng)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年02期

4 張富國(guó);;用戶多興趣下基于信任的協(xié)同過(guò)濾算法研究[J];小型微型計(jì)算機(jī)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(píng)分矩陣的協(xié)同過(guò)濾算法[J];西安電子科技大學(xué)學(xué)報(bào);2009年04期

6 廖新考;;基于用戶特征和項(xiàng)目屬性的混合協(xié)同過(guò)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(guò)濾推薦方法[J];計(jì)算機(jī)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(guò)濾策略改進(jìn)研究[J];計(jì)算機(jī)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(guò)濾算法[J];微計(jì)算機(jī)信息;2011年11期

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

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過(guò)濾算法[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

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過(guò)濾推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過(guò)濾算法研究[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場(chǎng)景的協(xié)同過(guò)濾推薦算法[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國(guó);姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過(guò)濾推薦算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)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(guò)濾推薦算法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過(guò)濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)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(guò)濾推薦算法[A];2008'中國(guó)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(dòng)問(wèn)題的方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)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(guò)濾推薦算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

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

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

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

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

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

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

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

8 高e，

本文編號(hào)：2426995