本文關(guān)鍵詞： 農(nóng)業(yè)信息推薦算法 群組用戶畫像 協(xié)同過濾 用戶會話 離散量 用戶興趣貼近度　出處：《西北農(nóng)林科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在我國農(nóng)業(yè)信息化進(jìn)程中,產(chǎn)生了大量的農(nóng)業(yè)信息,出現(xiàn)了“信息過載”現(xiàn)象,使得農(nóng)業(yè)從業(yè)人員尋找感興趣的信息愈發(fā)困難,無法及時、有效并且準(zhǔn)確地獲取滿足自身需要的信息資源。因此,對用戶與系統(tǒng)交互時產(chǎn)生的Web日志、評分等信息進(jìn)行深度挖掘,通過構(gòu)建農(nóng)業(yè)用戶畫像預(yù)測用戶的興趣偏好,并提供個性化的信息推薦服務(wù)是解決“信息過載”的重要途徑。本文研究的農(nóng)業(yè)用戶畫像主要由基本信息子畫像、內(nèi)容偏好子畫像、會話子畫像和評分子畫像四部分構(gòu)成,首先利用基本信息子畫像和內(nèi)容偏好子畫像進(jìn)行聚類得到群組用戶畫像,然后在群組內(nèi)分別利用會話子畫像和評分子畫像研究個性化推薦技術(shù),最終將推薦結(jié)果進(jìn)行加權(quán)融合推送給用戶,主要完成了以下工作:(1)農(nóng)業(yè)群組用戶畫像研究。針對傳統(tǒng)農(nóng)業(yè)信息個性化服務(wù)系統(tǒng)中用戶興趣模型不具有代表性,難以實時更新和維護(hù)困難等情況,基于農(nóng)業(yè)信息按需分類表建立農(nóng)業(yè)信息Web領(lǐng)域本體,并通過數(shù)據(jù)挖掘等手段獲得用戶標(biāo)簽數(shù)據(jù),再結(jié)合相應(yīng)映射方法,構(gòu)建用戶畫像,實現(xiàn)了用戶畫像的存儲、查詢和更新。利用基于改進(jìn)AP算法的FCM算法對用戶畫像進(jìn)行聚類,最終在用戶群組內(nèi)進(jìn)行個性化推薦。本文所研究方法得到的用戶畫像群組,相比傳統(tǒng)K-Means算法、改進(jìn)K-Means算法和傳統(tǒng)FCM算法,預(yù)測準(zhǔn)確度分別提升19.87%、9.75%、7.25%,推薦準(zhǔn)確度分別提升11.48%、11.23%、5.77%。(2)基于群組用戶會話子畫像的推薦技術(shù)研究。針對傳統(tǒng)協(xié)同過濾算法的冷啟動問題,以用戶與系統(tǒng)交互產(chǎn)生的點擊流數(shù)據(jù)為基礎(chǔ),利用數(shù)據(jù)挖掘技術(shù)識別出用戶會話信息,根據(jù)興趣的時間段特性,結(jié)合時間對會話進(jìn)行劃分形成會話集,并在群組用戶的會話集中找到與當(dāng)前活動會話相似的會話,然后用會話替代傳統(tǒng)協(xié)同過濾算法中的用戶,分析預(yù)測用戶在當(dāng)前會話中最可能希望關(guān)注的信息,并將其主動推薦給用戶。實驗證明,該算法在近鄰數(shù)為120時,性能達(dá)到最優(yōu),其準(zhǔn)確率為41.85%、召回率為16.43%,覆蓋率為25.28%,流行度為7.1746;該算法進(jìn)行Top10推薦時,與傳統(tǒng)基于用戶的協(xié)同過濾相比,其HR@10的性能提升約34.93%。(3)基于群組用戶評分子畫像的推薦技術(shù)研究。針對傳統(tǒng)協(xié)同過濾算法的相似度計算方法在數(shù)據(jù)極度稀疏的情況下,出現(xiàn)的計算準(zhǔn)確度不高的問題。首先利用離散量相關(guān)性質(zhì)推導(dǎo)出信息相關(guān)系數(shù),并以此計算用戶間相似度值;然后利用用戶興趣貼近度對相似度結(jié)果進(jìn)行修正,最終得到較為完善的相似度計算結(jié)果。實驗結(jié)果表明,該方法在數(shù)據(jù)稀疏度達(dá)到0.9901時,MAE為0.819002,相比COS-CF、ACOS-CF、PCC-CF、US-CF算法分別降低16.05%、14.35%、15.24%、5.95%,說明該算法能適應(yīng)數(shù)據(jù)極度稀疏的推薦環(huán)境。(4)個性化農(nóng)業(yè)信息推薦模型研究。針對傳統(tǒng)農(nóng)業(yè)信息服務(wù)系統(tǒng)信息利用率不高的情況,綜合本文所研究的方法和技術(shù),研究了農(nóng)業(yè)信息推薦模型并設(shè)計了個性化推薦系統(tǒng),實現(xiàn)了農(nóng)業(yè)信息獲取和個性化推薦等功能。
[Abstract]:......
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳志明;胡震云;;UGC網(wǎng)站用戶畫像研究[J];計算機(jī)系統(tǒng)應(yīng)用;2017年01期

2 姜建武;李景文;陸妍玲;葉良松;;基于用戶畫像的信息智能推送方法[J];微型機(jī)與應(yīng)用;2016年23期

3 張小可;沈文明;杜翠鳳;;貝葉斯網(wǎng)絡(luò)在用戶畫像構(gòu)建中的研究[J];移動通信;2016年22期

4 趙新苗;馮向萍;李永可;;改進(jìn)的中心向量算法在農(nóng)業(yè)信息分類中的研究[J];計算機(jī)技術(shù)與發(fā)展;2016年08期

5 林耀進(jìn);張佳;林夢雷;王娟;;一種基于模糊信息熵的協(xié)同過濾推薦方法[J];山東大學(xué)學(xué)報(工學(xué)版);2016年05期

6 倪羽;;網(wǎng)絡(luò)背景下我國農(nóng)業(yè)信息服務(wù)系統(tǒng)建設(shè)探究[J];農(nóng)業(yè)經(jīng)濟(jì);2016年06期

7 李輝;石釗;易軍凱;;基于信息熵的二次聚類推薦算法[J];計算機(jī)工程;2016年05期

8 王博;韓靜;臧笑磊;;農(nóng)業(yè)信息化在推廣中的問題與對策淺析[J];農(nóng)業(yè)經(jīng)濟(jì);2016年04期

9 王國霞;;基于用戶引力的協(xié)同過濾推薦算法[J];計算機(jī)應(yīng)用研究;2016年11期

10 王曉喬;廖桂平;王訪;李錦衛(wèi);邱春榮;;基于用戶需求的多維農(nóng)業(yè)信息分類模型研究——以湖南省油菜網(wǎng)絡(luò)信息為例[J];中國農(nóng)學(xué)通報;2015年32期

相關(guān)碩士學(xué)位論文 前10條

1 李燦;基于Hadoop的并行化協(xié)同過濾推薦算法研究[D];西北農(nóng)林科技大學(xué);2016年

2 王智囊;基于用戶畫像的醫(yī)療信息精準(zhǔn)推薦的研究[D];電子科技大學(xué);2016年

3 劉凱;網(wǎng)易新聞客戶端用戶分析系統(tǒng)的設(shè)計與實現(xiàn)[D];北京交通大學(xué);2015年

4 楊怡;基于AP算法的手寫字符聚類分析研究[D];中南民族大學(xué);2015年

5 李偉男;Web文本信息抽取與分類方法研究[D];西北農(nóng)林科技大學(xué);2014年

6 雙茜;基于智能網(wǎng)絡(luò)平臺的汽車售后主動服務(wù)研究[D];武漢理工大學(xué);2014年

7 朱立夫;基于web數(shù)據(jù)挖掘的農(nóng)業(yè)信息個性化推薦關(guān)鍵技術(shù)研究[D];湖南農(nóng)業(yè)大學(xué);2013年

8 肖紅;農(nóng)業(yè)科技信息服務(wù)個性化推送模型與系統(tǒng)[D];西北農(nóng)林科技大學(xué);2013年

9 劉明;基于聚類和會話情景的混合推薦算法研究[D];華中科技大學(xué);2013年

10 陳誠;個性化農(nóng)業(yè)信息推送技術(shù)研究[D];湖南農(nóng)業(yè)大學(xué);2012年

，

本文編號：1511916