在一個信息技術呈爆發(fā)式增長的時代,人們可以非常方便地從各種渠道獲得信息。然而,隨之而來的問題就是信息是無限的,但人的注意力是有限的。舉個例子來說,面對在線購物網站上成千上萬的商品,沒有人能夠一一瀏覽。盡管搜索引擎在一定程度上能夠幫助人們找到他們想要的,但是依然有大量的商品不被需要的人所了解。因此,在這樣一種信息過載的背景下,能夠通過用戶以往的行為記錄來預測用戶興趣的個性化推薦系統(tǒng)受到了廣泛的關注,并且它是最有望高效解決這一問題的方法。此外,一些推薦系統(tǒng)已經在實際中得到應用,比如根據(jù)用戶觀看記錄和評分來提供在線電影出租服務的Netflix,根據(jù)用戶過去的購買記錄來推薦書籍的Amazon.com以及根據(jù)用戶的閱讀記錄來推薦新聞的Google News。受到電子商務中長尾理論的啟發(fā),在本文中,將一個用戶—項目二分網絡看作一個基于動態(tài)資源分配的無標度網絡來研究該網絡中的節(jié)點在不同時刻的相似性。從這一點出發(fā),本文提出了一種新的基于動態(tài)資源分配的動態(tài)相似性測度來測量一個用戶—項目二分網絡中節(jié)點的相似性,并將該相似性測度用于個性化推薦。根據(jù)該相似性測度,本文定義了兩種含參數(shù)的項目相似指數(shù),一種是在動... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國內外發(fā)展現(xiàn)狀
        1.2.1 二分網絡發(fā)展研究現(xiàn)狀
        1.2.2 無標度網絡發(fā)展研究現(xiàn)狀
    1.3 研究內容與主要工作
    1.4 論文結構
第二章 推薦系統(tǒng)及其相關技術介紹
    2.1 推薦系統(tǒng)相關技術
        2.1.1 信息檢索
        2.1.2 信息過濾
    2.2 推薦算法介紹
        2.2.1 基于內容的推薦算法
        2.2.2 協(xié)同過濾推薦算法
        2.2.3 混合推薦算法
    2.3 推薦系統(tǒng)主要面臨的挑戰(zhàn)
    2.4 本章小結
第三章 基于動態(tài)資源分配的個性化推薦算法
    3.1 算法提出背景
    3.2 算法用途
    3.3 預期目標
    3.4 基于動態(tài)資源分配的推薦算法
        3.4.1 無標度網絡中的動態(tài)資源分配模型
        3.4.2 基于動態(tài)資源分配的相似性度量
        3.4.3 動態(tài)平衡狀態(tài)下的項目相似度
        3.4.4 初始狀態(tài)下的項目相似度
        3.4.5 基于項目相似指數(shù)的推薦算法
    3.5 本章小結
第四章 推薦算法實驗
    4.1 實驗環(huán)境
    4.2 實驗數(shù)據(jù)集
    4.3 推薦算法評估指標
        4.3.1 準確度
        4.3.2 多樣性
        4.3.3 流行度
    4.4 對比算法
        4.4.1 GRM算法
        4.4.2 CF算法
        4.4.3 NBI算法
        4.4.4 Heter-NBI算法
    4.5 實驗結果分析
        4.5.1 ERA與CIRA的性能比較
        4.5.2 ERA、IRA、 CIRA、CIRA1/2與其他算法性能比較
    4.6 本章小結
第五章 總結
    5.1 主要工作以及創(chuàng)新點
    5.2 研究展望
參考文獻
致謝
攻讀學位期間發(fā)表論文


【參考文獻】：
期刊論文
[1]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)



本文編號：3194167