本文關鍵詞： 推薦系統(tǒng) 協(xié)同過濾 系統(tǒng)架構 LDA主題模型 欄目　出處：《山東大學》2017年碩士論文　論文類型：學位論文

【摘要】：信息技術和移動設備的成熟與發(fā)展,使網(wǎng)上服務與交易等業(yè)務越來越普及,大量的信息被聚集起來引發(fā)了數(shù)據(jù)的爆炸式增長。如何解決信息過載是人工智能與大數(shù)據(jù)時代面臨的一個重要難題。而推薦系統(tǒng)是解決信息過載問題的一個非常有潛力的技術,它能夠在用戶沒有明確目標的時候幫助他們發(fā)現(xiàn)感興趣的新內(nèi)容,是個性化服務研究領域的重要分支。在推薦系統(tǒng)的探究進程中,協(xié)同過濾算法被公認為最著名、應用最廣泛的推薦算法,其核心思想是利用歷史行為數(shù)據(jù)挖掘某種相似性來進行推薦,但與此同時也存在著諸如冷啟動、數(shù)據(jù)稀疏、預測精確性不足等問題。本論文針對現(xiàn)有推薦系統(tǒng)的問題進行了以下三個方面的研究:1、對推薦系統(tǒng)架構進行優(yōu)化,設置了自適應反饋機制,通過增加反饋環(huán)節(jié),利用獲取的用戶反饋、上下文、以及群組信息不斷調節(jié)融合參數(shù),構成自適應閉環(huán)系統(tǒng)。使系統(tǒng)能夠個性化地為用戶選擇最適于用戶特征的推薦算法。2、在分析了多種推薦方法的基礎上,重點研究推薦系統(tǒng)方法中的協(xié)同過濾算法,并針對基于用戶的協(xié)同過濾算法進行了優(yōu)化,提出了一種新的基于欄目與懲罰度的協(xié)同過濾推薦算法。其主要思想是采用一種基于欄目行為偏好與懲罰項因子相融合的方法來測量用戶偏好相似性。該算法有效利用了屬性層次、行為層次和評分層次信息,通過在MovieLens數(shù)據(jù)集上進行交叉驗證仿真,實驗結果表明,與協(xié)同過濾算法相比該算法大大提升了各項評測指標。3、通過對自然語言處理的研究,考慮將隱含狄利克雷分布(LatentDirichlet Allocation,LDA)與推薦系統(tǒng)結合。本論文提出了一種基于LDA特征提取的協(xié)同過濾推薦算法,通過主題模型生成相應主題以及在每個主題上的分布概率,以方便建立物品-特征向量。最后通過本論文提出的用戶相似度計算方法,即加入權重距離因子的改進用戶相似度計算方法,生成最近鄰居集完成推薦。本論文按照數(shù)據(jù)挖掘基本流程在豆瓣圖書數(shù)據(jù)集上完成實驗仿真,實現(xiàn)了利用文本描述信息進行推薦的目標,并且獲得了良好的推薦效果。通過以上研究,為推薦系統(tǒng)的進一步廣泛應用提供了一定的參考和依據(jù)。
[Abstract]:With the maturity and development of information technology and mobile devices, online services and transactions are becoming more and more popular. A large amount of information has been gathered and triggered the explosive growth of data. How to solve the information overload is an important problem in the era of artificial intelligence and big data. Recommendation system is a very important solution to the problem of information overload. Potential technology. It can help users find new content when they have no clear goal. It is an important branch of personalized service research field. Collaborative filtering algorithm is recognized as the most famous and most widely used recommendation algorithm. Its core idea is to use historical behavior data mining some similarity to recommend, but at the same time, there are some such as cold start. In this paper, we focus on the following three aspects: 1, optimize the architecture of recommendation system and set up adaptive feedback mechanism. By adding feedback links, using the obtained user feedback, context, and group information to constantly adjust the fusion parameters. An adaptive closed-loop system is constructed, which enables the system to personalize the recommendation algorithm. 2, which is the most suitable for the user. Based on the analysis of various recommendation methods. The collaborative filtering algorithm in recommendation system is studied, and the user-based collaborative filtering algorithm is optimized. A new collaborative filtering recommendation algorithm based on column and punishment degree is proposed. The main idea of this algorithm is to measure the similarity of user preference based on the combination of column behavior preference and punishment factor. The effect takes advantage of the attribute hierarchy. Behavior level and score level information, through the MovieLens data set cross-validation simulation, experimental results show that compared with the collaborative filtering algorithm, the algorithm greatly improved the evaluation index. 3. Based on the study of natural language processing, the implicit Dirichlet Allocation is considered. In this paper, a collaborative filtering recommendation algorithm based on LDA feature extraction is proposed. The topic model is used to generate the corresponding topic and the distribution probability on each topic. In order to facilitate the establishment of object-feature vector. Finally, through the user similarity calculation method proposed in this paper, that is, adding the weight distance factor to improve the user similarity calculation method. According to the basic flow of data mining, this paper completes the experiment simulation on the Douban book data set, and realizes the goal of using the text description information to recommend. Through the above research, it provides a certain reference and basis for the further application of the recommendation system.
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類的協(xié)同過濾算法[J];計算機系統(tǒng)應用;2007年01期

2 楊風召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應用;2007年06期

3 王嵐;翟正軍;;基于時間加權的協(xié)同過濾算法[J];計算機應用;2007年09期

4 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導購系統(tǒng)[J];武漢大學學報(工學版);2008年02期

5 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

6 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學學報;2009年04期

7 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

8 沈磊;周一民;李舟軍;;基于心理學模型的協(xié)同過濾推薦方法[J];計算機工程;2010年20期

9 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進研究[J];計算機技術與發(fā)展;2011年04期

10 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

相關會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯一[C];2010年

相關博士學位論文 前10條

1 紀科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學;2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡推薦系統(tǒng)關鍵技術研究[D];中國海洋大學;2015年

3 于程遠;基于QoS的Web服務推薦技術研究[D];上海交通大學;2015年

4 李聰;電子商務推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學;2009年

5 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

6 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學;2011年

7 薛福亮;電子商務協(xié)同過濾推薦質量影響因素及其改進機制研究[D];天津大學;2012年

8 高e，

本文編號：1442672