本文關(guān)鍵詞：基于奇異值分解和k-means聚類的電子商務(wù)推薦算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的大規(guī)模覆蓋和電子商務(wù)的飛速發(fā)展,不斷膨脹的網(wǎng)絡(luò)信息量和網(wǎng)絡(luò)資源,將用戶帶入了一個信息過載的時代。伴隨著持續(xù)增長的海量信息,網(wǎng)絡(luò)用戶無法迅速地找到自己真正需要的部分。如何從海量的資源中主動為用戶定位和推送其可能感興趣的內(nèi)容是當(dāng)前推薦系統(tǒng)的主要任務(wù)。推薦系統(tǒng)的最大優(yōu)點在于能夠快速推送用戶真正感興趣的資源,緩解了信息檢索的壓力。目前,在眾多的推薦技術(shù)中,協(xié)同過濾推薦是其最為成功和應(yīng)用最為廣泛的推薦技術(shù)。在協(xié)同過濾推薦研究領(lǐng)域中,主要涉及的模型問題多數(shù)是數(shù)據(jù)的稀疏性和可擴展性,以及推薦精度的問題,而k-means聚類算法是一種無監(jiān)督學(xué)習(xí)的算法具有良好分類性能,且適用范圍廣、算法簡潔。然而面對數(shù)據(jù)矩陣稀疏性,聚類算法能有效地根據(jù)相似興趣愛好將用戶分配到相同的聚類簇中；聚類產(chǎn)生后,根據(jù)鄰居用戶預(yù)測評價目標(biāo)用戶對該商品的評價。但是由于數(shù)據(jù)稀疏,使得目標(biāo)用戶處在聚類的邊緣,對該目標(biāo)用戶的推薦精度較低,鑒于此,本文首先采用奇異值分解技術(shù)化解數(shù)據(jù)稀疏性給數(shù)據(jù)對象聚類造成的不利影響；然后針對初始聚類中心的隨機性,提出的改進算法與協(xié)同過濾算法進行融合,并對其進行仿真實驗,實驗驗證了改進算法具有良好的推薦性能�；谄娈愔捣纸獾耐扑]算法的基本思想：首先以協(xié)同過濾算法為主體,針對出現(xiàn)的稀疏性數(shù)據(jù)造成的推薦精度低問題的基礎(chǔ)上,采用奇異值分解技術(shù),對評分矩陣進行降維處理,并結(jié)合著梯度下降法對用戶和項目特征進行更新,有效的避免了過擬合現(xiàn)象的發(fā)生,同時克服了零評分用戶對相似度計算時出現(xiàn)的推薦不精問題。通過MovieLence數(shù)據(jù)集的測試,并與傳統(tǒng)的推薦時推薦算法進行對比,結(jié)果表明該算法在推薦精度方面有較好的改善。一種改進初始質(zhì)心的k-means聚類算法的基本思想是：針對傳統(tǒng)的k-means聚類算法k個初始聚類中心選擇上的隨機性,造成聚類結(jié)果的波動性,提出了一種能夠生成比較穩(wěn)定的初始聚類中心的改進算法；同時,借助均衡化函數(shù)有效尋找最佳k值。通過UCI數(shù)據(jù)集的仿真實驗,并與傳統(tǒng)k-means聚類算法進行比較,結(jié)果表明該改進算法有較好的性能。基于KSVD模型的推薦算法的基本思想是：在引入改進k-means聚類算法對數(shù)據(jù)對象進行分類處理時出現(xiàn)的高維稀疏性數(shù)據(jù)對算法造成的負面影響,采用奇異值分解技術(shù),在另一空間進行信息傳遞重新表達數(shù)據(jù)。通過MovieLence數(shù)據(jù)集進行函數(shù)仿真,并與其它推薦算法進行對比,結(jié)果表明改進算法具有較好的尋優(yōu)能力。
【關(guān)鍵詞】：k-means聚類 奇異值分解 稀疏性數(shù)據(jù) 初始質(zhì)心 梯度下降法
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F713.36
【目錄】：

• 摘要6-8
• Abstract8-14
• 1 緒論14-21
• 1.1 研究背景及意義14-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-18
• 1.2.1 推薦算法的研究現(xiàn)狀15-16
• 1.2.2 奇異值分解算法的研究現(xiàn)狀16-17
• 1.2.3 k-means聚類算法的研究現(xiàn)狀17-18
• 1.3 論文的研究內(nèi)容和創(chuàng)新點18-21
• 1.3.1 論文的主要研究內(nèi)容及組織結(jié)構(gòu)18-19
• 1.3.2 論文的創(chuàng)新點19-21
• 2 個性化推薦系統(tǒng)及相關(guān)技術(shù)21-31
• 2.1 個性化推薦系統(tǒng)21-23
• 2.1.1 個性化推薦系統(tǒng)的基本理論21-22
• 2.1.2 個性化推薦系統(tǒng)的組成22
• 2.1.3 個性化推薦系統(tǒng)的功能22-23
• 2.2 推薦算法相關(guān)理論23-26
• 2.2.1 推薦算法概述23-24
• 2.2.2 推薦算法流程24-25
• 2.2.3 推薦算法的應(yīng)用25-26
• 2.3 推薦算法分類26-31
• 2.3.1 協(xié)同過濾推薦算法26-27
• 2.3.2 基于內(nèi)容的推薦算法27-28
• 2.3.3 基于圖結(jié)構(gòu)的推薦算法28-29
• 2.3.4 混合推薦29-31
• 3 基于奇異值分解的推薦算法模型31-45
• 3.1 引言31-32
• 3.2 奇異值分解32-37
• 3.2.1 奇異值分解算法的概述32-34
• 3.2.2 奇異值分解的幾點解釋和標(biāo)注34-35
• 3.2.3 基于SDM的奇異值分解算法35-37
• 3.3 相似度計算方法37-39
• 3.3.1 基于用戶屬性的相似度算法37-38
• 3.3.2 基于評分的相似度計算38-39
• 3.3.3 混合相似度計算39
• 3.4 推薦算法模型39-41
• 3.4.1 離線預(yù)處理評分矩陣39-40
• 3.4.2 在線搜索最近鄰居查詢40
• 3.4.3 算法時間復(fù)雜度40-41
• 3.5 實證研究和結(jié)果分析41-44
• 3.5.1 測試數(shù)據(jù)集41-42
• 3.5.2 性能評價標(biāo)準(zhǔn)42
• 3.5.3 實驗結(jié)果分析42-44
• 3.6 小結(jié)44-45
• 4 一種改進初始質(zhì)心的K-MEANS聚類算法45-55
• 4.1 引言45-46
• 4.2 K-MEANS聚類算法46-48
• 4.2.1 k-means聚類算法的概述46-48
• 4.2.2 k-means聚類算法的性能分析48
• 4.3 算法的改進策略48-52
• 4.3.1 初始質(zhì)心的選擇48-50
• 4.3.2 均衡化評價函數(shù)50
• 4.3.3 基于初始化中心點和均衡化函數(shù)的k-means算法50-51
• 4.3.4 算法的時間復(fù)雜度51-52
• 4.4 實驗結(jié)果及分析52-54
• 4.4.1 初始聚類中心的驗證52-53
• 4.4.2 均衡化函數(shù)實驗結(jié)果53
• 4.4.3 算法性能比較53-54
• 4.5 小結(jié)54-55
• 5 KSVD模型55-62
• 5.1 引言55-56
• 5.2 KSVD模型實現(xiàn)56-57
• 5.3 實證研究和結(jié)果分析57-61
• 5.3.1 實驗數(shù)據(jù)57-58
• 5.3.2 性能評價指標(biāo)58
• 5.3.3 實驗結(jié)果分析58-61
• 5.4 小結(jié)61-62
• 6 總結(jié)與展望62-64
• 6.1 總結(jié)62-63
• 6.2 對未來工作的展望63-64
• 參考文獻64-68
• 在校期間發(fā)表的論文和科研成果68-69
• 致謝69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 蔡浩;賈宇波;黃成偉;;結(jié)合用戶信任模型的協(xié)同過濾推薦方法研究[J];計算機工程與應(yīng)用;2010年35期

2 曾小波;魏祖寬;金在弘;;協(xié)同過濾系統(tǒng)的矩陣稀疏性問題的研究[J];計算機應(yīng)用;2010年04期

3 吳顏;沈潔;顧天竺;陳曉紅;李慧;張舒;;協(xié)同過濾推薦系統(tǒng)中數(shù)據(jù)稀疏問題的解決[J];計算機應(yīng)用研究;2007年06期

4 劉麗;;基于改進的迭代式核方法協(xié)同過濾推薦算法研究[J];信息技術(shù)與信息化;2014年12期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 廖文彬;基于矩陣奇異值分解的圖像壓縮方法研究[D];成都理工大學(xué);2007年

2 劉高英;基于位置信息的改進LEACH算法研究[D];東北大學(xué);2010年

  本文關(guān)鍵詞：基于奇異值分解和k-means聚類的電子商務(wù)推薦算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：389931