本文關(guān)鍵詞：基于灰關(guān)聯(lián)的聯(lián)合聚類個性化推薦研究

  更多相關(guān)文章： 聯(lián)合聚類 灰關(guān)聯(lián)分析 特征屬性 增量更新 個性化推薦

【摘要】：隨著4G技術(shù)的發(fā)展,給移動互聯(lián)網(wǎng)帶來巨大的發(fā)展空間,全球進入全新的移動時代,中國的互聯(lián)網(wǎng)也開始向移動互聯(lián)網(wǎng)時代邁進。移動互聯(lián)網(wǎng)最大的特色是便利和實時性,但面對著大數(shù)據(jù)時代,移動互聯(lián)網(wǎng)的便利性受到嚴重的威脅,如何在眾多的數(shù)據(jù)中找到有效數(shù)據(jù)成為制約移動互聯(lián)網(wǎng)發(fā)展的一個瓶頸。在大數(shù)據(jù)和移動互聯(lián)網(wǎng)的大背景下,如何結(jié)合數(shù)據(jù)挖掘、知識發(fā)現(xiàn)等技術(shù)實現(xiàn)更加有效的個性化推薦成為目前的研究熱點。雖然推薦系統(tǒng)從提出后已經(jīng)受到多方面的重視,但其本身的稀疏性、擴展性、實時性、準確性和冷啟動等問題依舊是限制其發(fā)展的因素。本文重點對個性化推薦技術(shù)進行研究,詳細闡述了個性化推薦技術(shù)的研究現(xiàn)狀,進而提出基于特征屬性的矩陣填充技術(shù)和一種綜合相似度計算方法,提高相似性計算的準確性,設(shè)計了基于灰關(guān)聯(lián)加權(quán)聚類的聯(lián)合聚類推薦方法,保證推薦系統(tǒng)的實時性和可擴展性,具體內(nèi)容如下：首先,利用特征屬性線性加權(quán)的方式對傳統(tǒng)相似度計算方法進行修正,給出基于特征屬性的綜合相似度計算方法。同時,利用特征屬性實現(xiàn)評分矩陣的填充,根據(jù)用戶和項目的特征屬性分別計算用戶的初始評分,并利用線性加權(quán)方法得到最終的初始評分,完成對評分矩陣的初始填充,達到降低矩陣稀疏性的效果。其次,設(shè)計了聯(lián)合聚類的推薦模型,該模型包括離線建模和在線推薦兩個階段,離線階段利用特征屬性完成評分矩陣的初始填充、根據(jù)加權(quán)聚類算法實現(xiàn)用戶和項目的聚類,并根據(jù)綜合相似性計算方法,計算類別中用戶和項目的相似度；在線階段根據(jù)用戶提交的評分,判斷用戶所在聚類類別,在對應(yīng)類別中結(jié)合基于項目和用戶協(xié)同過濾兩種算法產(chǎn)生最終k個最近鄰居,并實現(xiàn)Top-N推薦。最后,針對擴展性和冷啟動問題,構(gòu)建基于相似性的增量更新模型,通過對目標用戶初始類別的判斷,避免了在整個數(shù)據(jù)集更新而產(chǎn)生的巨大計算量。同時,利用獨立因子的方式,針對每個新增評分,看成原始相似度加上獨立因子的模式,減小了相似度計算量,從而提高推薦系統(tǒng)的實時性,增強推薦系統(tǒng)擴展性。
【關(guān)鍵詞】：聯(lián)合聚類 灰關(guān)聯(lián)分析 特征屬性 增量更新 個性化推薦
【學位授予單位】：福州大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：F49
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-15
• 1.1 研究背景與意義8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.2.1 推薦算法國外研究現(xiàn)狀10-11
• 1.2.2 推薦算法國內(nèi)研究現(xiàn)狀11-12
• 1.3 研究內(nèi)容與論文結(jié)構(gòu)12-14
• 1.3.1 研究內(nèi)容12-13
• 1.3.2 論文結(jié)構(gòu)13-14
• 1.4 論文創(chuàng)新之處14-15
• 第二章 相關(guān)理論知識15-29
• 2.1 個性化推薦算法15-20
• 2.1.1 基于用戶的協(xié)同過濾15-17
• 2.1.2 基于項目的協(xié)同過濾17
• 2.1.3 基于聚類的協(xié)同過濾17-19
• 2.1.4 協(xié)同過濾算法存在的挑戰(zhàn)19-20
• 2.2 聚類簡介20-23
• 2.2.1 聚類融合20-22
• 2.2.2 聯(lián)合聚類22-23
• 2.3 灰關(guān)聯(lián)分析23-28
• 2.3.1 灰灰關(guān)聯(lián)理論23-25
• 2.3.2 基于差異信息論的灰關(guān)聯(lián)分析25-26
• 2.3.3 基于灰關(guān)聯(lián)的加權(quán)聚類模型26-28
• 2.4 本章小結(jié)28-29
• 第三章 基于特征屬性的綜合相似度計算方法29-40
• 3.1 傳統(tǒng)相似度的計算方法29-31
• 3.2 特征屬性相關(guān)性的度量31-32
• 3.2.1 項目特征屬性相關(guān)性的度量31-32
• 3.2.2 用戶特征屬性相關(guān)性的度量32
• 3.3 基于用戶特征屬性的綜合相似度32-34
• 3.4 基于項目特征屬性的綜合相似度34-36
• 3.5 實驗與結(jié)果分析36-39
• 3.5.1 評價標準36
• 3.5.2 實驗數(shù)據(jù)36-37
• 3.5.3 實驗設(shè)計37-38
• 3.5.4 實驗結(jié)果分析38-39
• 3.6 本章小結(jié)39-40
• 第四章 聯(lián)合聚類個性化推薦算法40-51
• 4.1 基于特征屬性的評分矩陣填充40-43
• 4.2 基于聯(lián)合聚類個性化推薦算法43-46
• 4.2.1 算法描述43-45
• 4.2.2 算法流程45-46
• 4.3 增量更新模型46-50
• 4.3.1 相似性增量更新的基本思路46-48
• 4.3.2 相似性增量更新模型48-50
• 4.4 推薦模型總體架構(gòu)50
• 4.5 本章小結(jié)50-51
• 第五章 個性化實驗與分析51-62
• 5.1 實驗環(huán)境與數(shù)據(jù)集51-52
• 5.1.1 數(shù)據(jù)來源51
• 5.1.2 數(shù)據(jù)預處理51-52
• 5.1.3 實驗環(huán)境52
• 5.2 實驗評價標準52-54
• 5.3 實驗設(shè)計與結(jié)果分析54-61
• 5.3.1 聯(lián)合聚類推薦實驗54-60
• 5.3.2 增量更新實驗60-61
• 5.4 本章小結(jié)61-62
• 總結(jié)與展望62-64
• 6.1 本文總結(jié)62-63
• 6.2 研究展望63-64
• 參考文獻64-68
• 致謝68-69
• 個人簡歷、在學期間的研究成果及發(fā)表的學術(shù)論文69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 姜有輝;高琳琦;;電子商場中的個性化推薦研究與應(yīng)用[J];商場現(xiàn)代化;2006年33期

2 郭斌;董斯維;;電子商務(wù)網(wǎng)站發(fā)展新方法——個性化推薦[J];消費導刊;2006年10期

3 袁寧;;消費者對網(wǎng)絡(luò)推薦的抗拒研究[J];現(xiàn)代商貿(mào)工業(yè);2011年23期

4 陳紅亮;周少華;;移動商務(wù)中基于定位的個性化推薦研究[J];統(tǒng)計與決策;2008年21期

5 梁英;;電子商務(wù)個性化推薦技術(shù)研究[J];商場現(xiàn)代化;2007年26期

6 張建偉;;基于社交網(wǎng)絡(luò)數(shù)據(jù)的個性化推薦研究[J];商;2013年24期

7 陳龍飛;趙雪;;關(guān)于農(nóng)資產(chǎn)品個性化推薦的研究[J];電子世界;2013年24期

8 樊靜;;基于OBUIM的電子商務(wù)個性化推薦模型研究[J];現(xiàn)代商貿(mào)工業(yè);2009年19期

9 王茜;錢力;;大數(shù)據(jù)環(huán)境下電子商務(wù)個性化推薦服務(wù)發(fā)展動向探析[J];商業(yè)研究;2014年08期

10 劉晨晨;蔣國銀;;基于DMA的時間序列模式下顧客行為的個性化推薦[J];計算機應(yīng)用;2007年11期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 馮時;陽峰;王大玲;于戈;;基于虛擬觀點社群的用戶個性化推薦[A];第六屆全國信息檢索學術(shù)會議論文集[C];2010年

2 劉晉;王潛平;房坤;;基于agent技術(shù)和反饋機制的個性化推薦方法研究與設(shè)計[A];第二屆和諧人機環(huán)境聯(lián)合學術(shù)會議(HHME2006)——第2屆中國人機交互學術(shù)會議(CHCI'06)論文集[C];2006年

3 王鑫;黃忠義;;網(wǎng)絡(luò)資源中基于K-Means聚類的個性化推薦[A];2013年全國通信軟件學術(shù)會議論文集[C];2013年

4 曹雷;杜輝鋒;;基于Web挖掘的個性化推薦模型的研究[A];全國第十屆企業(yè)信息化與工業(yè)工程學術(shù)年會論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 云蹤;雙模式完善精準個性化推薦[N];人民郵電;2014年

2 本報記者 李娟;百分點 給電商配備“導購員”[N];中國經(jīng)營報;2011年

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 呂苗;基于情境的商品個性化推薦方法研究[D];大連理工大學;2015年

2 易明;基于Web挖掘的電子商務(wù)個性化推薦機理與方法研究[D];華中科技大學;2006年

3 邢星;社交網(wǎng)絡(luò)個性化推薦方法研究[D];大連海事大學;2013年

4 張宜浩;基于半監(jiān)督學習的個性化推薦研究[D];重慶大學;2014年

5 張富國;基于信任的電子商務(wù)個性化推薦關(guān)鍵問題研究[D];江西財經(jīng)大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 馮超;電子商務(wù)個性化推薦的用戶信息采納影響因素研究[D];華中師范大學;2015年

2 尚剛;個性化推薦技術(shù)在圖書館服務(wù)中的應(yīng)用研究[D];南京財經(jīng)大學;2015年

3 林舉;基于完全三部圖模型的個性化推薦技術(shù)研究[D];上海大學;2015年

4 周瑩;基于證券理財產(chǎn)品用戶行為分析的個性化推薦研究[D];電子科技大學;2014年

5 李祉瑩;基于語義的個性化推薦模型研究[D];北京郵電大學;2015年

6 劉洋;數(shù)字學習資源個性化推薦技術(shù)研究與應(yīng)用[D];浙江工商大學;2015年

7 陳玉兆;大數(shù)據(jù)下的個性化推薦研究與實現(xiàn)[D];西安電子科技大學;2014年

8 盧云騁;播存環(huán)境中話題挖掘及其在個性化推薦中的應(yīng)用[D];東南大學;2015年

9 劉佳;基于情景分析的網(wǎng)絡(luò)閱讀個性化推薦方法研究[D];東北大學;2014年

10 路文;基于相似案例分析的電子商務(wù)個性化推薦方法研究[D];東北大學;2014年

，

本文編號：576316