本文關(guān)鍵詞：基于推薦權(quán)重和動態(tài)可靠近鄰的協(xié)同過濾算法，，由筆耕文化傳播整理發(fā)布。

【摘要】：本文先是討論了推薦系統(tǒng)的興起的背景以及意義,進而詳細介紹了推薦系統(tǒng)的結(jié)構(gòu)以及邏輯模塊,并對現(xiàn)有的各種推薦技術(shù)的特點進行了討論和對比。并針對推薦系統(tǒng)中常見的問題,提出了幾點改進思想,并設(shè)計實驗進行驗證,主要工作如下:1)傳統(tǒng)的協(xié)同過濾基于K近鄰算法。然而,為了滿足數(shù)量上的要求,K個近鄰中也會存在一些與目標對象相似度不高的個體,這將直接影響到推薦精度。因此我們需要定義兩個相似度的閾值以選取質(zhì)量比較高的近鄰。一個用于用戶間相似度計算的閾值,另一個用于產(chǎn)品間相似度計算的閾值。當一個對象和目標對象之間的相似度大于這個閾值,才會被選作為鄰居。2)皮爾森相似性系數(shù)的計算方法是存在弊端的,當兩組對象的交集很小的時候,采用皮爾森相似度計算方法計算出來的相似度會有很大誤差,因此我們在對相似度進行排序的過程中,提出一種推薦權(quán)重的概念,兩個項目交集越多,則兩者之間的推薦權(quán)重越高,排序也就越靠前,越具有推薦能力。3)針對項目和用戶的兩組動態(tài)近鄰,我們通過設(shè)定一個交集閾值s,當某個對象與目標對象的交集小于這個閾值時,則認為這時的相似度計算是不可靠的。通過分別計算兩組近鄰中不可靠對象所占的比例并進行比較,舍棄不可靠對象所占比例高的一組鄰居,從而選擇更加可靠的另一組鄰居參與預測評分。4)將本文提出的三種改進算法應用在Movie Lens數(shù)據(jù)集中以檢驗算法的實用性。
【關(guān)鍵詞】：協(xié)同過濾 推薦權(quán)重 動態(tài)可靠近鄰
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 中文摘要3-4
• Abstract4-8
• 第一章 緒論8-12
• 1.1 研究背景和意義8-9
• 1.2 研究內(nèi)容9-10
• 1.3 論文組織結(jié)構(gòu)10-11
• 1.4 本章小結(jié)11-12
• 第二章 推薦系統(tǒng)和相關(guān)技術(shù)12-19
• 2.1 推薦系統(tǒng)綜述12
• 2.2 推薦系統(tǒng)結(jié)構(gòu)12-14
• 2.3 相關(guān)技術(shù)14-17
• 2.3.1 基于內(nèi)容的推薦14-15
• 2.3.2 關(guān)聯(lián)規(guī)則15-16
• 2.3.3 基于協(xié)同過濾的推薦16-17
• 2.4 推薦技術(shù)比較17-18
• 2.5 本章小結(jié)18-19
• 第三章 協(xié)同過濾算法19-33
• 3.1 基于模型的協(xié)同過濾19-21
• 3.1.1 貝葉斯網(wǎng)絡(luò)模型20
• 3.1.2 聚類模型20-21
• 3.2 基于內(nèi)存的協(xié)同過濾21-28
• 3.2.1 基于用戶的協(xié)同過濾21-25
• 3.2.2 基于項目的協(xié)同過濾25-28
• 3.3 協(xié)同過濾算法現(xiàn)有的問題及解決方法28-29
• 3.4 現(xiàn)有的解決方法29-32
• 3.4.1 基于內(nèi)容和協(xié)同過濾的混合算法29-30
• 3.4.2 SVD降維30-31
• 3.4.3 基于用戶興趣變化的協(xié)同過濾算法31-32
• 3.5 本章小結(jié)32-33
• 第四章 基于動態(tài)近鄰的協(xié)同過濾算法33-36
• 4.1 傳統(tǒng)的K近鄰法分析33
• 4.2 動態(tài)選擇目標的近鄰33-34
• 4.3 推薦權(quán)重34-35
• 4.4 本章小結(jié)35-36
• 第五章 基于可靠近鄰的協(xié)同過濾算法36-39
• 5.1 傳統(tǒng)的評分預測方法36
• 5.2 基于可靠鄰居的評分預測方法36
• 5.3 冷啟動問題36-38
• 5.4 本章小結(jié)38-39
• 第六章 實驗設(shè)計和結(jié)果分析39-49
• 6.1 數(shù)據(jù)集與實驗環(huán)境39-40
• 6.1.1 數(shù)據(jù)集39
• 6.1.2 實驗環(huán)境39-40
• 6.2 評價標準40-41
• 6.2.1 統(tǒng)計準確性度量法40
• 6.2.2 決策支持準確性度量法40-41
• 6.3 實驗方案設(shè)計41
• 6.4 實驗結(jié)果及分析41-48
• 6.5 本章小結(jié)48-49
• 第七章 總結(jié)與展望49-51
• 7.1 本文總結(jié)49
• 7.2 工作展望49-51
• 參考文獻51-54
• 在學期間的研究成果54-55
• 致謝55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 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

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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術(shù)的個性化網(wǎng)絡(luò)教學平臺研究[J];科技風;2012年06期

中國重要會議論文全文數(shù)據(jù)庫 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(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)與應用學術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應用學術(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)仿真學會第五次全國會員代表大會暨2006年全國學術(shù)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(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(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)與應用學術(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)庫學術(shù)會議論文集A輯一[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 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;2009年

2 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

3 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

4 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;2012年

5 高e

本文編號：266016