本文選題：推薦系統(tǒng) + 用戶偏好　； 參考：《北方民族大學》2017年碩士論文

【摘要】：在信息數(shù)據(jù)驟增的時代,網(wǎng)絡(luò)使用者們面臨“信息繁多但有價值信息難以排查和篩取”的窘境。過濾技術(shù)是信息推薦系統(tǒng)中最為成功的技術(shù),它誕生于20世紀九十年代,目前因為網(wǎng)絡(luò)用戶提供可靠性推薦、節(jié)省時間和方便快捷的體驗已成為科研焦點。它能快速并主動預測用戶的屬性和興趣方向,推送用戶可能需要但又難以篩選、判斷的相關(guān)信息資源。但日益增長的數(shù)據(jù)信息給傳統(tǒng)的推薦算法帶來了新的問題,龐大或稀疏的數(shù)據(jù)使得相似度計算不再精準,用戶對推薦信息的滿意程度下降,冷啟動等問題相繼產(chǎn)生。許多學者開始針對這些問題對傳統(tǒng)算法進行研究與改進。本文在傳統(tǒng)推薦算法基礎(chǔ)上,提出一種基于用戶體驗度和長尾理論的推薦算法。首先闡述了用戶體驗度對用戶產(chǎn)生的潛在影響,簡單說明傳統(tǒng)算法的計算公式并選擇皮爾森相似性計算公式進行進一步計算。針對僅憑單一評分查找相似鄰居判斷有偏差這一問題,通過用戶對項目的行為優(yōu)評占總行為記錄數(shù)及用戶歷史行為評分占總項目的比重產(chǎn)生權(quán)重,重點研究“用戶評分矩陣和項目類別矩陣”,憑借長尾理論來平衡熱門、冷門項目推薦概率。經(jīng)實驗驗證得出算法有一定的改進。
[Abstract]:In the era of rapid increase of information data, network users are faced with the dilemma of "information is numerous but valuable information is difficult to search and sift". Filtering technology is the most successful technology in information recommendation system. It was born in the 1990s. At present, because network users provide reliable recommendation, save time and experience quickly has become the focus of scientific research. It can quickly and actively predict the user's properties and interest direction, push the user may need but difficult to filter, judge the relevant information resources. However, the growing data information brings new problems to the traditional recommendation algorithms. The huge or sparse data makes the similarity calculation not accurate, the users' satisfaction with the recommendation information drops, and the cold start up problems arise one after another. Many scholars begin to study and improve the traditional algorithms for these problems. Based on the traditional recommendation algorithm, this paper presents a recommendation algorithm based on user experience and long tail theory. In this paper, the potential influence of user experience on user is discussed, and the calculation formula of traditional algorithm is simply explained, and Pearson similarity formula is selected for further calculation. In order to solve the problem that there is a deviation in finding similar neighbors only by a single score, the weight is generated by the proportion of the users' behavior evaluation to the total behavior records and the proportion of the users' historical behavior scores to the total items. Focus on the "user rating matrix and item category matrix", with the long tail theory to balance the hot, cold project recommendation probability. Experimental results show that the algorithm has some improvement.
【學位授予單位】：北方民族大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關(guān)期刊論文 前10條

1 馬勇;鮮敏;鄭翔;黎遠松;;基于Web日志挖掘和相關(guān)性度量的電子商務(wù)推薦系統(tǒng)[J];計算機系統(tǒng)應(yīng)用;2016年08期

2 趙文濤;王春春;成亞飛;孟令軍;趙好好;;基于用戶多屬性與興趣的協(xié)同過濾算法[J];計算機應(yīng)用研究;2016年12期

3 黨博;姜久雷;;基于評分差異度和用戶偏好的協(xié)同過濾算法[J];計算機應(yīng)用;2016年04期

4 姚平平;鄒東升;牛寶君;;基于用戶偏好和項目屬性的協(xié)同過濾推薦算法[J];計算機系統(tǒng)應(yīng)用;2015年07期

5 趙開慧;;基于社會化標注的個性化信息推薦方法研究[J];情報科學;2015年06期

6 高娜;楊明;;一種改進的結(jié)合標簽和評分的協(xié)同過濾推薦算法[J];南京師大學報(自然科學版);2015年01期

7 丁少衡;姬東鴻;王路路;;基于用戶屬性和評分的協(xié)同過濾推薦算法[J];計算機工程與設(shè)計;2015年02期

8 畢孝儒;;項目子相似度融合的協(xié)同過濾推薦算法[J];計算機系統(tǒng)應(yīng)用;2015年01期

9 王雪霞;李青;李季紅;;基于共同評分項目數(shù)和用戶興趣的協(xié)同過濾推薦方法[J];計算機應(yīng)用;2014年11期

10 陳彥萍;王賽;;基于用戶-項目的混合協(xié)同過濾算法[J];計算機技術(shù)與發(fā)展;2014年12期

相關(guān)碩士學位論文 前7條

1 于蓓佳;基于時空數(shù)據(jù)的旅游信息推薦研究[D];山東師范大學;2015年

2 孫明;基于語義的信息檢索與關(guān)聯(lián)推薦關(guān)鍵技術(shù)研究[D];電子科技大學;2015年

3 裘月;融入個體人格特質(zhì)的個性化圖書推薦模型研究[D];浙江工商大學;2015年

4 孫龍菲;協(xié)作過濾推薦算法的稀疏性問題研究[D];海南大學;2014年

5 方衛(wèi)華;推薦系統(tǒng)中一種改進的協(xié)同過濾推薦算法的研究[D];西安電子科技大學;2013年

6 黃正;面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法研究與優(yōu)化[D];華南理工大學;2012年

7 高建煌;個性化推薦系統(tǒng)技術(shù)與應(yīng)用[D];中國科學技術(shù)大學;2010年

，

本文編號：1952344