【摘要】：隨著互聯(lián)網(wǎng)技術的發(fā)展和電子商務的蓬勃生長,網(wǎng)絡數(shù)據(jù)信息以指數(shù)級別的趨勢增長,用戶不得不耗費大量的時間去搜索自己想要的信息和商品,人們進入了一個“信息超載”的時代。推薦系統(tǒng)應運而生,它的主要任務是主動從海量的資源中為用戶推送其可能需要的資源,緩解信息檢索的壓力。在目前的應用中,協(xié)同過濾算法取得的成就無疑是最大的,但是在發(fā)展中同樣不可避免的遇到很多障礙,數(shù)據(jù)稀疏問題就是阻礙其發(fā)展的一個重要難題。針對數(shù)據(jù)稀疏性問題,本文從用戶興趣的角度出發(fā),利用當前的用戶數(shù)據(jù),構建用戶偏好模型預測未評分項目的分值,填充數(shù)據(jù)到用戶評分矩陣中。然而,用戶偏好存在描述上的模糊性和不確定性,給用戶偏好建模帶來了一定的困難,需要引入機器學習方法來構建用戶偏好模型。神經(jīng)網(wǎng)絡集成算法具有很好的泛化能力,是目前機器學習領域的一個研究熱點,可以用來模擬用戶的偏好。但是面對用戶偏好的復雜性,神經(jīng)網(wǎng)絡集成算法也會存在這樣或那樣的不足。針對這樣的情況,本文首先對傳統(tǒng)的神經(jīng)網(wǎng)絡集成算法提出自己的改進思想,提出了基于差分進化的負相關神經(jīng)網(wǎng)絡集成算法,提高了神經(jīng)網(wǎng)絡集成算法的泛化能力；其次,利用改進的算法,結合現(xiàn)有的用戶數(shù)據(jù),構建用戶偏好模型；最后利用構建好的偏好模型預測未評分項目的分值,填充用戶評分矩陣,并針對可能產(chǎn)生的填充過度問題,對相似度的計算也做了一個改進�；诓罘诌M化的負相關神經(jīng)網(wǎng)絡集成算法的基本思想是：在集成個體的生成中,為了增加集成個體的差異性,引入負相關學習方法并行訓練成員網(wǎng)絡；在結論的生成中,利用差分進化算法的良好的尋優(yōu)能力,對成員網(wǎng)絡的權重系數(shù)進行優(yōu)化。通過實驗仿真,并將它與其他算法進行對比,結果表明該算法無論是在泛化性能方面還是在魯棒性方面都表現(xiàn)得更好�；诓罘诌M化神經(jīng)網(wǎng)絡集成的用戶偏好模型的基本思想是：充分利用項目特征屬性,構建項目特征向量,通過項目特征向量和用戶偏好的映射,構建用戶偏好模型,并采用提出的差分進化負相關神經(jīng)網(wǎng)絡集成算法模擬用戶的興趣愛好。通過實驗證明,提出的差分進化負相關神經(jīng)網(wǎng)絡集成算法能夠很好的模擬用戶的喜好,預測對未評分項目的分值�；谟脩羝媚Ｐ偷膮f(xié)同過濾推薦算法的基本思想是：使用構建好的偏好模型預測未評分項目的分值,填充用戶評分矩陣,形成了一個偽用戶評分矩陣。在利用偽用戶評分矩陣計算用戶的相似度時,針對可能產(chǎn)生的填充過度問題,只選擇部分的項目進行計算。通過MovieLens數(shù)據(jù)集測試,該算法比傳統(tǒng)的協(xié)同過濾推薦算法有更好的性能。
[Abstract]:With the development of Internet technology and the vigorous growth of electronic commerce, the network data information is growing at the exponential level, users have to spend a lot of time searching for the information and goods they want, and people have entered an era of "information overload". Recommendation system emerges as the times require, its main task is to actively push the resources it may need for users from a large number of resources, and alleviate the pressure of information retrieval. In the current application, the cooperative filtering algorithm has made the greatest achievement, but it is also inevitable to encounter many obstacles in the development. The problem of data sparse is an important problem that hinders its development. In order to solve the problem of data sparsity, from the point of view of user interest, this paper constructs a user preference model to predict the score of ungraded items from the point of view of user interest, and fills the data into the user scoring matrix. However, there are fuzziness and uncertainty in the description of user preference, which brings some difficulties to user preference modeling. It is necessary to introduce machine learning method to construct user preference model. Neural network integration algorithm has good generalization ability, and it is a hot research topic in the field of machine learning, which can be used to simulate the preferences of users. However, in the face of the complexity of user preferences, neural network integration algorithms will also have some shortcomings. In view of this situation, this paper first puts forward its own improved idea for the traditional neural network integration algorithm, and proposes a negative correlation neural network integration algorithm based on differential evolution, which improves the generalization ability of the neural network integration algorithm. Secondly, using the improved algorithm, combined with the existing user data, the user preference model is constructed. Finally, the constructed preference model is used to predict the score of ungraded items, fill the user scoring matrix, and improve the calculation of similarity in order to solve the problem of overfilling. The basic idea of negative correlation neural network integration algorithm based on differential evolution is: in order to increase the difference of integrated individuals, negative correlation learning method is introduced to train member networks in parallel, and in the generation of conclusions, the weight coefficients of member networks are optimized by using the good optimization ability of differential evolution algorithm. Through the experimental simulation and comparing it with other algorithms, the results show that the algorithm performs better both in terms of generalization performance and robustness. The basic idea of user preference model based on differential evolution neural network integration is: make full use of project feature attributes, construct project feature vector, construct user preference model through the mapping of project feature vector and user preference, and use the proposed differential evolution negative correlation neural network integration algorithm to simulate users' interests and hobbies. The experimental results show that the proposed differential evolution negative correlation neural network integration algorithm can simulate the preferences of users and predict the score of ungraded items. The basic idea of collaborative filtering recommendation algorithm based on user preference model is to use the constructed preference model to predict the score of ungraded items, fill in the user scoring matrix, and form a pseudo-user scoring matrix. When the pseudo-user rating matrix is used to calculate the similarity of users, only part of the items are selected to calculate the possible overfilling problem. Through the test of MovieLens dataset, this algorithm has better performance than the traditional collaborative filtering recommendation algorithm.
【學位授予單位】：華中師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 沈掌泉,孔繁勝;基于廣義回歸網(wǎng)絡的動態(tài)權重回歸型神經(jīng)網(wǎng)絡集成方法研究[J];計算機應用研究;2005年12期

2 王正群;陳世福;陳兆乾;;帶偏置的選擇性神經(jīng)網(wǎng)絡集成構造方法[J];計算機科學;2005年07期

3 沈掌泉,孔繁勝;基于個體選擇的動態(tài)權重神經(jīng)網(wǎng)絡集成方法研究[J];計算機工程與應用;2005年12期

4 鞏文科;李長河;石爭浩;趙潔;;基于樣本重構的神經(jīng)網(wǎng)絡集成學習方法[J];計算機應用;2006年06期

5 文習明;;基于神經(jīng)網(wǎng)絡集成的數(shù)據(jù)分析[J];現(xiàn)代計算機;2006年05期

6 徐敏;;神經(jīng)網(wǎng)絡集成在圖書剔舊分類中的應用[J];計算機工程;2006年20期

7 張曉陽;徐敏;施化吉;李星毅;;一種新型的神經(jīng)網(wǎng)絡集成模型[J];計算機工程與應用;2006年34期

8 樂曉蓉;王正群;郭亞琴;侯艷平;;基于差異性度量的選擇性神經(jīng)網(wǎng)絡集成[J];揚州大學學報(自然科學版);2007年02期

9 於時才;陳涓;馬寧;;一種提高神經(jīng)網(wǎng)絡集成系統(tǒng)泛化能力的方法[J];微電子學與計算機;2009年04期

10 趙勝穎;高廣春;;基于蟻群算法的選擇性神經(jīng)網(wǎng)絡集成方法[J];浙江大學學報(工學版);2009年09期

相關會議論文 前5條

1 安金霞;朱紀洪;袁夏明;;基于神經(jīng)網(wǎng)絡知識庫的多神經(jīng)網(wǎng)絡集成方法[A];2009年中國智能自動化會議論文集（第六分冊）[中南大學學報（增刊）][C];2009年

2 楊育榮;左瑞芹;王科俊;;基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡集成研究[A];系統(tǒng)仿真技術及其應用（第7卷）——'2005系統(tǒng)仿真技術及其應用學術交流會論文選編[C];2005年

3 吳月明;王益群;李莉;;基于神經(jīng)網(wǎng)絡集成的可靠性分布模型的智能識別[A];2006年全國機械可靠性學術交流會論文集[C];2006年

4 張正道;胡壽松;;基于神經(jīng)網(wǎng)絡免疫集成的非線性時間序列故障預報[A];江蘇省自動化學會七屆四次理事會暨2004學術年會青年學者論壇論文集[C];2004年

5 杜曉鳳;丁友東;;FloatBag選擇性神經(jīng)網(wǎng)絡集成及其在人臉檢測中的應用[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

相關博士學位論文 前8條

1 王征宇;神經(jīng)網(wǎng)絡集成分類方法及其在并行計算環(huán)境中的應用研究[D];華南理工大學;2015年

2 沈掌泉;神經(jīng)網(wǎng)絡集成技術及其在土壤學中應用的研究[D];浙江大學;2005年

3 劉悅;神經(jīng)網(wǎng)絡集成及其在地震預報中的應用研究[D];上海大學;2005年

4 林民龍;基于神經(jīng)網(wǎng)絡集成的增量式學習[D];中國科學技術大學;2012年

5 張東波;粗集神經(jīng)網(wǎng)絡集成方法及其在模式識別中的應用[D];湖南大學;2007年

6 高敬陽;神經(jīng)網(wǎng)絡集成BOOSTING類算法研究[D];北京化工大學;2012年

7 戴群;基于ICBP模型的混合神經(jīng)網(wǎng)絡與多樣化集成方法的研究[D];南京航空航天大學;2009年

8 陳敏之;文胸作用下女體胸部形態(tài)變化效果分析及其模擬研究[D];東華大學;2012年

相關碩士學位論文 前10條

1 樂曉蓉;神經(jīng)網(wǎng)絡集成算法設計及分析[D];揚州大學;2007年

2 張藝馨;基于神經(jīng)網(wǎng)絡集成算子的混合模型的研究與應用[D];蘭州大學;2015年

3 李汶虹;基于神經(jīng)網(wǎng)絡集成學習的SAR目標識別方法研究[D];電子科技大學;2015年

4 楊鳳萍;基于神經(jīng)網(wǎng)絡集成和用戶偏好模型的協(xié)同過濾推薦算法研究[D];華中師范大學;2016年

5 陳涓;神經(jīng)網(wǎng)絡集成的泛化能力研究及其應用[D];蘭州理工大學;2009年

6 劉何秀;神經(jīng)網(wǎng)絡集成算法的研究[D];中國海洋大學;2009年

7 徐瑜;基于主動差異學習神經(jīng)網(wǎng)絡集成的電力變壓器故障診斷方法研究[D];湘潭大學;2010年

8 李巖;神經(jīng)網(wǎng)絡集成及其在分類和回歸問題中的應用研究[D];華北電力大學（河北）;2010年

9 張冬威;基于網(wǎng)絡聚類選擇的神經(jīng)網(wǎng)絡集成方法及其在農(nóng)業(yè)中的應用[D];吉林大學;2011年

10 徐敏;基于神經(jīng)網(wǎng)絡集成的圖書剔舊專家系統(tǒng)的研究[D];江蘇大學;2006年

，

本文編號：2505015