本文關(guān)鍵詞： 推薦系統(tǒng) 時(shí)間因素 矩陣分解 回歸分析　出處：《內(nèi)蒙古大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：現(xiàn)代網(wǎng)絡(luò)技術(shù)水平的提高帶來了信息過載的問題,用戶很難從巨大的信息中找到用戶需要的內(nèi)容。為了解決這個(gè)問題,推薦系統(tǒng)被提出并延伸出了諸多改進(jìn)。這其中就包括緩解了數(shù)據(jù)稀疏性問題的矩陣分解模型以及諸多改進(jìn)模型等。它們能從用戶的行為數(shù)據(jù)中挖掘出用戶的行為規(guī)律,從而給用戶更準(zhǔn)確地推薦結(jié)果。然而,矩陣分解技術(shù)也存在著一些問題。其中一個(gè)問題便是它只關(guān)注用戶的行為數(shù)據(jù),并沒有從時(shí)間的角度來考慮用戶的興趣變化。雖然有通過融入時(shí)間因素改進(jìn)矩陣分解的算法,但是它們所用的時(shí)間規(guī)律并沒有從真實(shí)的用戶行為數(shù)據(jù)中提取。本文從給矩陣分解模型增加時(shí)間因素出發(fā)。首先,調(diào)查統(tǒng)計(jì)了大量的真實(shí)用戶行為數(shù)據(jù),得出了用戶興趣度和物品流行度在時(shí)間上所具有的規(guī)律。然后對(duì)統(tǒng)計(jì)所得的結(jié)果進(jìn)行回歸分析,通過分析時(shí)間因素以怎樣的規(guī)律影響用戶興趣和物品流行度,進(jìn)而擬合出相應(yīng)的曲線。然后將物品流行度的時(shí)間曲線和用戶興趣度的時(shí)間曲線分別與基于偏置的矩陣分解模型相融合,并分析在時(shí)間因素影響下用戶和物品偏置對(duì)推薦結(jié)果的影響。最后,本文通過實(shí)驗(yàn)驗(yàn)證了基于時(shí)間因素改進(jìn)矩陣分解模型的準(zhǔn)確性確實(shí)有所提高。
[Abstract]:The improvement of modern network technology has brought about the problem of information overload. It is very difficult for users to find the content that users need from the huge information. In order to solve this problem. Recommendation systems are proposed and extended to many improvements, including matrix decomposition models that alleviate the problem of data sparsity and improved models. They can extract user behavior from user behavior data. Rules. However, matrix decomposition technology also has some problems. One of the problems is that it only pays attention to user behavior data. The change of interest of users is not considered from the point of view of time, although there is an algorithm to improve matrix decomposition by incorporating time factors. However, the time rules they use are not extracted from the real user behavior data. In this paper, we add time factors to the matrix decomposition model. First, we investigate a large number of real user behavior data. The time law of user interest and article popularity is obtained. Then the results of statistics are analyzed by regression analysis, through the analysis of time factors to affect user interest and article popularity. Then fitting the corresponding curve, and then combining the time curve of article popularity and the time curve of user interest with the matrix decomposition model based on bias. Finally, this paper proves that the accuracy of the improved matrix decomposition model based on time factors has been improved.
【學(xué)位授予單位】：內(nèi)蒙古大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李宇光,朱志德;矩陣分解法分析及其應(yīng)用研究[J];哈爾濱船舶工程學(xué)院學(xué)報(bào);1989年04期

2 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2014年04期

3 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J];自動(dòng)化學(xué)報(bào);2011年09期

4 袁運(yùn)祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計(jì)算機(jī)應(yīng)用通訊;1981年00期

5 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

6 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

7 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

8 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號(hào)處理;1985年03期

9 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

10 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學(xué)報(bào);2012年03期

相關(guān)會(huì)議論文 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 王中卿;基于文本信息的社會(huì)關(guān)系分析與研究[D];蘇州大學(xué);2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現(xiàn)算法研究[D];天津大學(xué);2015年

3 王科強(qiáng);基于矩陣分解的個(gè)性化推薦系統(tǒng)[D];華東師范大學(xué);2017年

4 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

5 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

6 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

7 徐振興;基于地理標(biāo)注照片的景點(diǎn)推薦方法研究[D];浙江大學(xué);2017年

8 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

9 陳根浪;基于社交媒體的推薦技術(shù)若干問題研究[D];浙江大學(xué);2012年

10 杜世強(qiáng);基于維數(shù)約簡(jiǎn)的無監(jiān)督聚類算法研究[D];蘭州大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 秦曉暉;個(gè)性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測(cè)[D];復(fù)旦大學(xué);2014年

10 吳世偉;社會(huì)網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

，

本文編號(hào)：1476613