本文關(guān)鍵詞：基于隱語義模型的推薦系統(tǒng)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的飛速發(fā)展,海量的數(shù)據(jù)信息產(chǎn)生了信息過載問題。尤其在大型電影推薦網(wǎng)站,如何通過一種有效的機(jī)制來幫助用戶快速的獲取到想要的電影信息,這已成為了當(dāng)前研究的一大熱點和難點問題,其中推薦系統(tǒng)是其研究的主要內(nèi)容。目前國內(nèi)外針對推薦系統(tǒng)的研究主要集中在協(xié)同過濾推薦、基于內(nèi)容的推薦、基于知識的推薦和組合推薦四個方面。協(xié)同過濾算法以其獨特思想和便捷的計算方式在推薦系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。但隨著系統(tǒng)中用戶和項目規(guī)模的不斷增大,傳統(tǒng)協(xié)同過濾算法在處理效率、稀疏性和拓展性方面存在不足。本文基于協(xié)同過濾中的隱語義模型,首先介紹了模型的理論方法,然后針對評分矩陣高度稀疏的問題,利用k-means算法對模型進(jìn)行了改進(jìn)。同時為了提高模型的推薦精度和預(yù)測準(zhǔn)確率,在模型中加入時間上下文信息。文章主要的工作內(nèi)容有:1.基于推薦系統(tǒng)的原理和方法,介紹了基于領(lǐng)域的協(xié)同過濾算法和基于模型的協(xié)同過濾算法理論。2.針對用戶評分稀疏問題,利用k-means算法對用戶數(shù)據(jù)進(jìn)行聚類;然后根據(jù)聚類結(jié)果重構(gòu)評分矩陣,顯著的降低矩陣維度和稀疏度;最后通過修改模型的評分策略得到改進(jìn)隱語義模型K-LFM。3.為了提高模型的精度,將時間上下文信息加入到傳統(tǒng)的“用戶-項目”二維推薦過程。通過改變模型的矩陣分解形式,實現(xiàn)對“用戶-項目-時間”三維評分矩陣的分解,在提高模型精度的同時實現(xiàn)了對模型的拓展。4.在movielens數(shù)據(jù)集上實驗對比算法的性能,同時借助Hadoop平臺的Mahout組件設(shè)計實現(xiàn)了一個推薦引擎原型。
【關(guān)鍵詞】：協(xié)同過濾 k-means算法 隱語義模型 時間上下文 推薦引擎
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-7
• 第一章 緒論7-10
• 1.1 研究背景及意義7-8
• 1.2 國內(nèi)外研究現(xiàn)狀8-9
• 1.3 論文結(jié)構(gòu)9-10
• 第二章 推薦系統(tǒng)綜述10-28
• 2.1 引言10
• 2.2 推薦系統(tǒng)概念及形式化定義10-12
• 2.3 常用推薦算法介紹12-16
• 2.4 推薦系統(tǒng)評測方法及指標(biāo)16-19
• 2.5 上下文感知推薦19-27
• 2.6 小結(jié)27-28
• 第三章 隱語義模型及其改進(jìn)28-41
• 3.1 模型理論及方法28-31
• 3.2 模型改進(jìn)31-36
• 3.3 實驗結(jié)果分析36-40
• 3.4 小結(jié)40-41
• 第四章 融合時間上下文的隱語義模型41-53
• 4.1 時間效應(yīng)介紹41-42
• 4.2 時間上下文相關(guān)算法42-44
• 4.3 引入時間上下文的隱語義模型44-46
• 4.4 實驗及結(jié)果分析46-52
• 4.5 小結(jié)52-53
• 第五章 系統(tǒng)原型設(shè)計53-64
• 5.1 系統(tǒng)架構(gòu)設(shè)計53-55
• 5.2 開源平臺介紹55-57
• 5.3 推薦引擎設(shè)計57-63
• 5.4 小結(jié)63-64
• 第六章 總結(jié)與展望64-66
• 6.1 總結(jié)64
• 6.2 展望64-66
• 致謝66-67
• 參考文獻(xiàn)67-70
• 附錄 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果70-71
• 圖版71-72
• 表版72

  本文關(guān)鍵詞：基于隱語義模型的推薦系統(tǒng)研究，由筆耕文化傳播整理發(fā)布。

本文編號：268978