21世紀以來,互聯(lián)網(wǎng)技術和電子商務快速發(fā)展,各種網(wǎng)絡數(shù)據(jù)都呈現(xiàn)出指數(shù)級的增長趨勢,過量信息呈現(xiàn)的同時使得用戶無法快速獲取對自己有用的部分。由于信息過量現(xiàn)象的存在,推薦技術得以發(fā)展并用于緩解上述情況。目前,在眾多個性化推薦技術中,協(xié)同過濾推薦算法被廣泛應用。但隨著推薦系統(tǒng)規(guī)模的不斷擴大,當前的協(xié)同過濾推薦算法依然存在著如數(shù)據(jù)稀疏性、冷啟動、擴展性和實時性等問題。針對協(xié)同過濾推薦算法中存在的上述問題,本文提出了一種結合組合相似度模型與用戶特征聚類的改進的協(xié)同過濾推薦算法,首先在相似度計算方面,結合改進的用戶評分相似性和用戶項目類別偏好相似性,提出了一種新的綜合用戶相似度計算模型;然后再引入K-means聚類算法,通過該算法基于用戶特征對用戶聚類,將目標用戶劃分到恰當?shù)拇刂?最后基于以上改進的相似度計算模型和聚類結果對目標用戶進行評分預測和項目推薦。為了驗證改進算法的優(yōu)越性,在MovieLens數(shù)據(jù)集上與其它改進的協(xié)同過濾推薦算法進行對比,實驗結果表明文中改進算法的預測準確度最優(yōu),可有效緩解因數(shù)據(jù)稀疏性導致的相似性度量不準確的問題,還在一定程度上提高了推薦算法實時性和可擴展性。

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【部分圖文】：

圖1-1亞馬遜圖書最近查看商品推薦

北方民族大學2018屆碩士學位論文第一章緒論對物品的傾向類型[4,9,10]。雖然關于該算法的研究已卓有成效，但仍存在許多問題亟待解決，如數(shù)據(jù)稀疏、冷啟動、相似度計算不準確、可擴展性及實時效果差等問題，如果能通過對協(xié)同過濾推薦算法的改進在一定程度上緩解上述問題，不僅能夠給....

圖1-2亞馬遜圖書購物車推薦

如圖1-1、圖1-2所示，并且取得了不錯的效果[6,7]，例如成功應用個性化推薦技術的電商網(wǎng)站亞馬遜，其商品銷售總量至少有35%來自于推薦算法的推薦[3]，該數(shù)據(jù)是亞馬遜的前科學家GregLinden在其離職期間的相關記錄。與傳統(tǒng)的商務模式相比，推薦技術的引入不僅可以使....

圖2-1推薦系統(tǒng)模型

圖2-1推薦系統(tǒng)模型2.1.2推薦系統(tǒng)劃分從不同的分類角度，推薦系統(tǒng)可以分為不同的類型：1）根據(jù)推薦對象的不同，可以分以網(wǎng)頁和商品為對象兩種推薦系統(tǒng)。如常見的搜索引擎百度、谷歌等都是以網(wǎng)頁為推薦對象的推薦系統(tǒng)，主要是根據(jù)用戶以往的瀏覽記錄、歷史網(wǎng)頁的搜索等發(fā)掘用戶偏好領域，....

圖3-4K-means算法流程圖

-21-圖3-4K-means算法流程圖算法中常用的距離計算方法何衡量兩個數(shù)據(jù)對象間的相似度，距離是在聚類分數(shù)據(jù)對象間的距離越小，對象間的相似度就越大。對象看作M維的一個數(shù)據(jù)點，那么對于任意，Tx(x,x,,x)jjjjm12它們之間距離d的常用表

本文編號：3952642