本文關(guān)鍵詞： 協(xié)同過濾 稀疏性 擴展性 冷啟動 奇異值分解 聚類　出處：《天津大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著“互聯(lián)網(wǎng)+”的蓬勃發(fā)展和大數(shù)據(jù)時代的來臨,網(wǎng)上購物已經(jīng)成為人們?nèi)粘Ｉ畹闹匾M成部分。如何快速有效的解決數(shù)據(jù)的搜索、分類、推薦,成為擺在人們面前亟需解決的問題。推薦系統(tǒng)能夠根據(jù)用戶的個人偏好,向用戶提供個性化的服務(wù)推薦,從而使得廣大用戶能夠迅速且準(zhǔn)確地找到自己滿意的商品或服務(wù)。盡管推薦系統(tǒng)近來取得了長足進步,但隨著互聯(lián)網(wǎng)用戶數(shù)量的急劇增長,以及移動互聯(lián)網(wǎng)的快速發(fā)展,推薦系統(tǒng)存在的缺陷和不足,更加制約著推薦系統(tǒng)的健康發(fā)展。本文針對基于用戶協(xié)同過濾推薦系統(tǒng)所面臨的稀疏性、擴展性、冷啟動問題,通過將奇異值分解與聚類融合,并針對基于用戶協(xié)同過濾推薦系統(tǒng)的特性,改進了相似性度量公式與Top-N推薦權(quán)值賦值系數(shù),提出一種融合奇異值分解和聚類的協(xié)同過濾推薦算法—SCW(SVD Clustering Weight)算法。SCW算法主要融合了奇異值分解降維、聚類和Top-N推薦三個原理。具體研究內(nèi)容可概括為以下幾個方面:首先,本文利用奇異值分解從Movielens數(shù)據(jù)集中構(gòu)建一個主題空間,然后在該空間中計算相似度。其次,對降維后的評分矩陣中的用戶進行聚類,聚類分析將數(shù)據(jù)劃分成有意義的簇。最后,完成聚類后,按照用戶聚類的每個簇都是行為模式相似的用戶,遍歷目標(biāo)用戶所在簇的其他用戶的物品集,去除目標(biāo)用戶物品集生成推薦列表。然后利用改進的預(yù)測評分公式計算推薦列表物品的預(yù)測評分,排序推薦。本文利用Moivelens公開數(shù)據(jù)集進行實驗驗證,并將本文的提出算法與傳統(tǒng)的基于皮爾森相關(guān)度協(xié)同過濾算法和主成分分析算法進行對比。實驗結(jié)果表明,本文提出的算法能夠有效完成個性化推薦,提高了推薦準(zhǔn)確率并降低了預(yù)測評分值的絕對值誤差,在一定程度上解決了基于用戶協(xié)同過濾推薦系統(tǒng)中存在的稀疏性、擴展性與冷啟動問題。
[Abstract]:With the vigorous development of "Internet" and the advent of big data era, online shopping has become an important part of people's daily life. How to quickly and effectively solve the data search, classification, recommendation, Recommendation system can provide personalized service recommendation to users according to their personal preferences. As a result, the vast number of users can quickly and accurately find the goods or services they are satisfied with. Although the recommendation system has made great progress recently, with the rapid growth of the number of Internet users and the rapid development of the mobile Internet, The shortcomings and shortcomings of recommendation system restrict the healthy development of recommendation system. This paper aims at the problems of sparseness, expansibility and cold start of recommendation system based on user collaborative filtering, by combining singular value decomposition and clustering. According to the characteristics of user collaborative filtering recommendation system, the similarity measurement formula and the assignment coefficient of Top-N recommendation weight are improved. This paper proposes a collaborative filtering recommendation algorithm, SCWN SVD Clustering weight, which combines singular value decomposition and clustering. SCW algorithm mainly integrates three principles of singular value decomposition, clustering and Top-N recommendation. The specific research contents can be summarized as follows: firstly, In this paper, we use singular value decomposition to construct a topic space from the Movielens dataset, and then calculate the similarity in this space. Secondly, the users in the reduced dimension scoring matrix are clustered, and the data is divided into meaningful clusters by clustering analysis. After clustering, according to the user clustering each cluster is a user with similar behavior patterns, traversing the items set of other users of the target user cluster. The recommended list is generated by removing the target user item set, and then the prediction score of the recommended list item is calculated by the improved prediction scoring formula, and the recommendation is sorted. In this paper, Moivelens is used to expose the data set for experimental verification. The proposed algorithm is compared with the traditional Pearson correlation collaborative filtering algorithm and the principal component analysis algorithm. The experimental results show that the proposed algorithm can effectively complete personalized recommendation. The accuracy of recommendation is improved and the absolute error of prediction score is reduced. To some extent, the problems of sparseness, expansibility and cold start of recommendation system based on user collaborative filtering are solved.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3

【相似文獻】

相關(guān)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(yīng)用;2007年01期

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

3 王嵐;翟正軍;;基于時間加權(quán)的協(xié)同過濾算法[J];計算機應(yīng)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(dǎo)購系統(tǒng)[J];武漢大學(xué)學(xué)報(工學(xué)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(xué)學(xué)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(xué)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(shù)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(guān)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(xué)術(shù)會議論文集（技術(shù)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(xué)術(shù)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(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)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(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)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(xué)術(shù)會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學(xué)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(xué)術(shù)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(shù)與應(yīng)用學(xué)術(shù)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(xué)術(shù)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(xué)術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 紀(jì)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(xué);2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 李聰;電子商務(wù)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(xué);2009年

5 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);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(xué);2011年

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

8 高e，

本文編號：1553623