互聯(lián)網(wǎng)及大數(shù)據(jù)技術(shù)的快速發(fā)展,在為人們學(xué)習(xí)、生活帶來便利的同時,也使人們遭受“信息過載”的煩惱,人們無法快速從海量的網(wǎng)上數(shù)據(jù)中獲取感興趣的信息。在此背景下,個性化推薦技術(shù)應(yīng)運而生,能夠在一定程度上解決信息超載問題,然而,目前應(yīng)用較為廣泛的推薦技術(shù)都集中在某一領(lǐng)域,單一領(lǐng)域中往往會出現(xiàn)用戶數(shù)據(jù)稀疏性和用戶推薦冷啟動問題,而研究與事實表明,用戶在不同領(lǐng)域也會表現(xiàn)出相同的偏好,如喜愛推理類電影的用戶也會傾向于購買推理類書籍。本文將包含豐富的用戶及評分信息的領(lǐng)域稱為源領(lǐng)域,數(shù)據(jù)稀疏的領(lǐng)域稱為目標(biāo)領(lǐng)域,如何利用源領(lǐng)域中信息為目標(biāo)領(lǐng)域用戶提供更加精準(zhǔn)的推薦是本文主要研究的內(nèi)容。本文從個性化推薦、跨領(lǐng)域推薦與遷移學(xué)習(xí)的研究現(xiàn)狀出發(fā),聚焦目前單一領(lǐng)域推薦中廣泛存在的數(shù)據(jù)稀疏性與冷啟動問題,提出了基于標(biāo)簽遷移學(xué)習(xí)的跨領(lǐng)域推薦算法以及基于用戶興趣度遷移學(xué)習(xí)的跨領(lǐng)域推薦算法。在基于標(biāo)簽遷移學(xué)習(xí)的跨領(lǐng)域推薦算法中,本文將兩個領(lǐng)域中共享的標(biāo)簽信息作為連接領(lǐng)域的橋梁,采用非負矩陣分解以及基于粒子群改進的K-means算法對源領(lǐng)域用戶評分矩陣進行處理,并通過遷移兩個領(lǐng)域共享的標(biāo)簽信息,得出目標(biāo)領(lǐng)域用戶分類結(jié)果,最終... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 .研究背景
    1.2 .研究現(xiàn)狀
        1.2.1 .個性化推薦研究現(xiàn)狀
        1.2.2 .跨領(lǐng)域推薦研究現(xiàn)狀
        1.2.3 .遷移學(xué)習(xí)研究現(xiàn)狀
    1.3 .研究內(nèi)容
    1.4 .研究思路
    1.5 .論文組織架構(gòu)
第二章 個性化推薦、跨領(lǐng)域推薦及遷移學(xué)習(xí)
    2.1 .推薦系統(tǒng)及傳統(tǒng)協(xié)同過濾推薦
        2.1.1 .推薦系統(tǒng)簡介
        2.1.2 .基于協(xié)同過濾的推薦
        2.1.3 .傳統(tǒng)協(xié)同過濾推薦面臨的問題
    2.2 .跨領(lǐng)域推薦
        2.2.1 .跨領(lǐng)域推薦任務(wù)及場景
        2.2.2 .跨領(lǐng)域推薦技術(shù)分類
        2.2.3 .跨領(lǐng)域推薦算法評價指標(biāo)
    2.3 .遷移學(xué)習(xí)
        2.3.1 .遷移學(xué)習(xí)研究內(nèi)容
        2.3.2 .遷移學(xué)習(xí)分類
        2.3.3 .遷移學(xué)習(xí)方法
        2.3.4 .遷移學(xué)習(xí)面臨的問題
    2.4 .本章小結(jié)
第三章 基于標(biāo)簽遷移學(xué)習(xí)的跨領(lǐng)域推薦
    3.1 .基于標(biāo)簽遷移學(xué)習(xí)的跨領(lǐng)域推薦模型
    3.2 .模型算法
        3.2.1 .非負矩陣分解算法
        3.2.2 .基于PSO改進的K-means聚類算法
        3.2.3 .SVM分類算法
    3.3 .實驗數(shù)據(jù)分析
        3.3.1 .實驗數(shù)據(jù)及數(shù)據(jù)預(yù)處理
        3.3.2 .源領(lǐng)域用戶評分矩陣聚類分析
        3.3.3 .目標(biāo)領(lǐng)域基于用戶標(biāo)簽信息的分類
        3.3.4 .預(yù)測目標(biāo)領(lǐng)域用戶評分
    3.4 .本章小結(jié)
第四章 基于用戶興趣度遷移學(xué)習(xí)的跨領(lǐng)域推薦
    4.1 .基于用戶興趣度遷移學(xué)習(xí)的跨領(lǐng)域推薦模型
    4.2 .模型算法
        4.2.1 .奇異值分解算法
        4.2.2 .Pearson相似度算法
    4.3 .實驗數(shù)據(jù)分析
        4.3.1 .實驗數(shù)據(jù)及預(yù)處理
        4.3.2 .源領(lǐng)域用戶興趣度模型構(gòu)建
        4.3.3 .目標(biāo)領(lǐng)域用戶興趣度模型構(gòu)建
        4.3.4 .遷移源領(lǐng)域興趣度模型至目標(biāo)領(lǐng)域
    4.4 .本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學(xué)報. 2018(07)
[2]基于高斯模型和概率矩陣分解的混合推薦算法[J]. 何慧.  統(tǒng)計與決策. 2018(03)
[3]基于GLSLIM模型的混合推薦算法研究[J]. 楊海龍,李松林,李衛(wèi)軍.  信息與電腦(理論版). 2017(20)
[4]基于深度學(xué)習(xí)加強的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學(xué)學(xué)報(自然科學(xué)版). 2017(10)
[5]基于粒子群的K-均值算法在電網(wǎng)企業(yè)對標(biāo)中應(yīng)用[J]. 羅林波,羅嵐波,伍娟.  電子世界. 2017(19)
[6]基于K-PSO聚類算法和熵值法的滑坡敏感性[J]. 阮云凱,占潔偉,陳劍平,李嚴(yán)嚴(yán).  東北大學(xué)學(xué)報(自然科學(xué)版). 2017(04)
[7]基于深度信念網(wǎng)絡(luò)的個性化信息推薦[J]. 王兆凱,李亞星,馮旭鵬,劉利軍,黃青松,劉曉梅.  計算機工程. 2016(10)
[8]數(shù)字文獻資源內(nèi)容服務(wù)推薦研究——基于本體規(guī)則推理和語義相似度計算[J]. 劉健,畢強,劉慶旭,王福.  現(xiàn)代圖書情報技術(shù). 2016(09)
[9]基于關(guān)聯(lián)規(guī)則綜合評價的圖書推薦模型[J]. 路永和,曹利朝.  現(xiàn)代圖書情報技術(shù). 2011(02)
[10]局部敏感非負矩陣分解[J]. 姜偉,楊炳儒,隋海峰.  計算機科學(xué). 2010(12)

博士論文
[1]基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D]. 楊士準(zhǔn).國防科學(xué)技術(shù)大學(xué) 2013

碩士論文
[1]基于知識遷移的跨領(lǐng)域推薦算法研究[D]. 李林峰.北京交通大學(xué) 2017
[2]基于協(xié)同過濾算法的個性化推薦研究[D]. 姚婷.北京理工大學(xué) 2015



本文編號：2935406