發(fā)布時間：2020-08-19 13:50

【摘要】：隨著科學技術的迅猛發(fā)展,互聯(lián)網(wǎng)信息同樣呈現(xiàn)出爆炸式的遞增趨向,出現(xiàn)了海量的數(shù)據(jù),加大了信息的過載壓力?協(xié)同過濾推薦作為運用范圍最廣的一種推薦方法,是當下的一個研究熱點,但是,推薦的精度不夠高?冷啟動以及可拓展性欠佳等情況仍舊影響協(xié)同過濾計算方法的精確度?因而,學術界去挖掘出更為科學?合理的協(xié)同過濾推薦算法?論文正是據(jù)此展開基于內(nèi)容聚類的推薦算法研究?本論文總結(jié)推薦算法的相關理論,分析內(nèi)容推薦的優(yōu)缺點及協(xié)同過濾的優(yōu)缺點?展開內(nèi)容特征的提取,基于TF-IDF的內(nèi)容關鍵詞提取和商品評價矩陣到內(nèi)容評價的轉(zhuǎn)換。內(nèi)容特征的提取給出實例,用網(wǎng)絡爬蟲技術獲取有效信息。對有效信息進行關鍵詞的提取,加權(quán),對書籍的評價轉(zhuǎn)換為內(nèi)容偏好的矩陣。提出基于聚類分析的協(xié)同過濾算法,聚類分析的一般步驟,基于K-means算法的聚類分析,進行相似度的計算與推薦結(jié)果生成。為用戶推薦商品,相似度的計算,新樣本加入改變簇中心,加權(quán)計算排序,選擇合適的商品。重點用戶基于內(nèi)容聚類,顯示出用戶對商品特征的偏好,根據(jù)特征偏好對用戶進行聚類。最后,對推薦功能實驗過程描述,從內(nèi)容特征的提取到聚類最后推薦,數(shù)據(jù)集的分析,根據(jù)網(wǎng)上書城的數(shù)據(jù)進行篩選。對網(wǎng)上書城推薦的實驗結(jié)果表明,本文的推薦方法提高了推薦的準確度。
【學位授予單位】：渤海大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;F713.36
【圖文】：

BODYTABLE#1 TABLE#2TR#1 TR#2TD#1 TD#2 TD#3圖 3 表格結(jié)構(gòu)的網(wǎng)絡產(chǎn)品 DOM 子樹構(gòu)造圖Fig 3 Tabular web product DOM subtree construct diagram在產(chǎn)品的評價內(nèi)容中，不同的主題所對應的<TABLE>是具有區(qū)別的，其根本產(chǎn)品都具有與之相對應的獨立<TABLE>，并且所的 DOM 子樹所處的節(jié)點都是具的，即全部處于<DIV>節(jié)點下。

圖 5 書籍的熱點關鍵詞Fig 5 Books of hot keywords圖中可以看出《時間的禮物》這本書籍的關鍵詞對書籍推薦的影響，可以看籍的評價中權(quán)重比較大的關鍵詞{故事，時間，禮物，父子}。品評價矩陣到內(nèi)容評價矩陣的轉(zhuǎn)換文 3.3 表示了任意客戶對于任意商品的評價向量和評價矩陣，即商品評價矩1,1 1,2 1,2,1,1 ,nm m np p ppPp p = 中P 的取值為{1,2,3,4,5}。該評價矩陣用以描述商品評價存在兩個問題，一確的針對性，即只能反映用戶對于某種類型商品的潛在購買意愿；二是書城

圖 6 基于聚類分析算法的整體結(jié)構(gòu)Fig 6 The overall structure of clustering analysis algorithm類分析推薦算法實施步驟圖能夠看到，在進行基于內(nèi)容的產(chǎn)品排序推薦的過程中能夠采用兩種結(jié)種分支的特點主要為用戶側(cè)的分類與產(chǎn)品相似度計算，在以往歷史購買進行預測。整體流程結(jié)構(gòu)具體表現(xiàn)為：對不同產(chǎn)品的預測評分。在進行預測評分前需要根據(jù)用戶的購買意愿分類，然后預測根據(jù)不同用戶群體對不同產(chǎn)品的評價，對不同用戶群體行性分析，通過評分形式來將其量化處理。具體架構(gòu)如圖 7 所示：

【相似文獻】

相關期刊論文 前10條

1 俞偉;徐德華;;推薦算法概述與展望[J];科技與創(chuàng)新;2019年04期

2 張世東;;推薦算法概述[J];科技傳播;2019年04期

3 張艷紅;諶頏;;基于標簽的自助教育資源推薦算法研究[J];現(xiàn)代信息科技;2019年12期

4 李欣鞠;;個性化推薦算法下的“信息繭房”效應研究——以“天天快報”為例[J];西部廣播電視;2019年13期

5 陳軍;謝衛(wèi)紅;陳揚森;;國內(nèi)外大數(shù)據(jù)推薦算法領域前沿動態(tài)研究[J];中國科技論壇;2018年01期

6 向洋樂;;大數(shù)據(jù)背景下互聯(lián)網(wǎng)購物推薦算法應用研究[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年04期

7 喻國明;劉鈺菡;王暢穎;王丹敏;;推薦算法:信息推送的王者品性與進階重點[J];山東社會科學;2018年03期

8 劉順程;岳思穎;鐘瑞敏;;基于拉普拉斯噪聲的輕型推薦算法[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年20期

9 劉濤;劉佐;;一種面向新文章的個性化推薦算法研究[J];控制工程;2018年06期

10 汪海鵬;鄭揚飛;;基于特征值的律師推薦算法及改進方案[J];計算機與現(xiàn)代化;2018年10期

相關會議論文 前10條

1 米傳民;彭鵬;單曉菲;馬靜;;考慮顯式評分的基于二部圖的推薦算法[A];第十七屆中國管理科學學術年會論文集[C];2015年

2 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

3 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2007年

4 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術交流會論文集[C];2008年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡的含時推薦算法[A];第五屆全國復雜網(wǎng)絡學術會議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號：2797164