本文關(guān)鍵詞：基于協(xié)同過(guò)濾算法的個(gè)性化推薦技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)迅速膨脹,信息超載和信息迷航的問(wèn)題日益突出,用戶(hù)想要快速地從眾多的數(shù)據(jù)中找到符合自己需求的信息越來(lái)越難。為了解決這個(gè)問(wèn)題,研究者們提出了個(gè)性化推薦技術(shù)解決方案,其中應(yīng)用最為廣泛的是協(xié)同過(guò)濾推薦技術(shù),但該技術(shù)中存在的用戶(hù)興趣遷移、冷啟動(dòng)、數(shù)據(jù)稀疏、可擴(kuò)展性等問(wèn)題,嚴(yán)重影響著推薦結(jié)果的準(zhǔn)確性,所以如何解決這些問(wèn)題是當(dāng)前研究的重點(diǎn)。本文針對(duì)協(xié)同過(guò)濾技術(shù)中存在的數(shù)據(jù)稀疏、用戶(hù)興趣遷移和可擴(kuò)展性問(wèn)題對(duì)協(xié)同過(guò)濾算法進(jìn)行改進(jìn),主要工作如下:(1)協(xié)同過(guò)濾算法的推薦效果往往會(huì)受到用戶(hù)興趣變化的影響,針對(duì)此問(wèn)題,本文構(gòu)建了一個(gè)基于用戶(hù)類(lèi)型偏好的興趣遷移模型。該模型考慮用戶(hù)對(duì)不同類(lèi)型項(xiàng)目的偏好程度,根據(jù)評(píng)分時(shí)間對(duì)不同類(lèi)型項(xiàng)目的評(píng)分進(jìn)行不同速度的衰減。利用衰減后的項(xiàng)目評(píng)分矩陣進(jìn)行用戶(hù)相似度的計(jì)算和評(píng)分預(yù)測(cè),有效地緩解了用戶(hù)興趣變化對(duì)推薦精確度的影響。(2)構(gòu)建了一個(gè)適合協(xié)同過(guò)濾推薦算法的信任模型。該模型充分考慮了時(shí)間因素和用戶(hù)評(píng)分?jǐn)?shù)量對(duì)信任度的影響,利用T-采用率和可信度指標(biāo)來(lái)計(jì)算用戶(hù)之間的直接信任度和間接信任度。將信任度與基于時(shí)間的用戶(hù)相似度進(jìn)行線性組合,根據(jù)組合后的綜合權(quán)重進(jìn)行項(xiàng)目的預(yù)測(cè)和推薦,有效地解決了數(shù)據(jù)稀疏影響推薦精確度的問(wèn)題。(3)針對(duì)協(xié)同過(guò)濾算法存在的可擴(kuò)展性問(wèn)題,本文利用K-means聚類(lèi)算法對(duì)用戶(hù)進(jìn)行聚類(lèi),并提出了一種基于熵值法的用戶(hù)屬性相似度計(jì)算方法。該方法考慮不同屬性對(duì)區(qū)分用戶(hù)的貢獻(xiàn)程度不同,準(zhǔn)確地計(jì)算了用戶(hù)之間的屬性相似度,有效提高了聚類(lèi)結(jié)果的準(zhǔn)確性。(4)本文利用Movie Lens數(shù)據(jù)集設(shè)計(jì)了一系列實(shí)驗(yàn)對(duì)提出的改進(jìn)算法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果證明,本文提出的改進(jìn)算法能夠有效地提高推薦的準(zhǔn)確性和可擴(kuò)展性。
【關(guān)鍵詞】：個(gè)性化推薦 協(xié)同過(guò)濾 興趣遷移 信任度 用戶(hù)聚類(lèi)
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-14
• 1.1 研究背景和研究意義8-9
• 1.1.1 研究背景8-9
• 1.1.2 研究意義9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-12
• 1.3 本文研究工作12
• 1.4 文章組織結(jié)構(gòu)12-14
• 第2章 個(gè)性化推薦的相關(guān)理論和技術(shù)14-26
• 2.1 個(gè)性化推薦的概念14
• 2.2 個(gè)性化推薦技術(shù)14-17
• 2.2.1 基于關(guān)聯(lián)規(guī)則的推薦算法14-15
• 2.2.2 基于內(nèi)容的推薦算法15-16
• 2.2.3 基于協(xié)同過(guò)濾的推薦算法16
• 2.2.4 基于混合策略的推薦算法16-17
• 2.3 常用協(xié)同過(guò)濾算法17-23
• 2.3.1 基于內(nèi)存的協(xié)同過(guò)濾17-21
• 2.3.2 基于模型的協(xié)同過(guò)濾21-22
• 2.3.3 算法的比較22-23
• 2.4 推薦結(jié)果的測(cè)評(píng)指標(biāo)23-24
• 2.5 本章小結(jié)24-26
• 第3章 基于時(shí)間與信任度的協(xié)同過(guò)濾算法研究26-40
• 3.1 優(yōu)化的算法設(shè)計(jì)思想論述26-29
• 3.1.1 用戶(hù)興趣遷移模型的引入26
• 3.1.2 用戶(hù)信任模型的引入26-29
• 3.2 基于時(shí)間的用戶(hù)相似度計(jì)算29-32
• 3.2.1 用戶(hù)興趣遷移模型的構(gòu)建29-31
• 3.2.2 用戶(hù)相似度計(jì)算31-32
• 3.3 用戶(hù)的信任度建模32-35
• 3.3.1 直接信任度建模32-33
• 3.3.2 間接信任度建模33-35
• 3.4 相似-信任度計(jì)算35-36
• 3.5 算法描述36-38
• 3.6 本章小結(jié)38-40
• 第4章 融合聚類(lèi)和協(xié)同過(guò)濾的個(gè)性化推薦算法研究40-52
• 4.1 傳統(tǒng)基于用戶(hù)聚類(lèi)的協(xié)同過(guò)濾算法40-43
• 4.1.1 K-means聚類(lèi)算法40-42
• 4.1.2 算法的思想概述42-43
• 4.2 優(yōu)化的算法設(shè)計(jì)思想論述43-45
• 4.3 基于用戶(hù)特征屬性的K-means聚類(lèi)45-48
• 4.3.1 基于熵值法的用戶(hù)屬性相似度計(jì)算45-47
• 4.3.2 基于用戶(hù)屬性相似度的K-means聚類(lèi)47-48
• 4.4 算法描述48-50
• 4.5 本章小結(jié)50-52
• 第5章 實(shí)驗(yàn)及結(jié)果分析52-62
• 5.1 實(shí)驗(yàn)?zāi)康?/span>52
• 5.2 實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)數(shù)據(jù)52-54
• 5.2.1 實(shí)驗(yàn)環(huán)境52
• 5.2.2 實(shí)驗(yàn)數(shù)據(jù)52-54
• 5.3 評(píng)價(jià)指標(biāo)54-55
• 5.3.1 平均絕對(duì)誤差54
• 5.3.2 數(shù)據(jù)稀疏度54-55
• 5.3.3 最近鄰查找效率55
• 5.4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析55-60
• 5.4.1 時(shí)間權(quán)重因子的確定55-56
• 5.4.2 信任傳遞長(zhǎng)度的確定56-57
• 5.4.3 信任度權(quán)重的確定57-58
• 5.4.4 最佳聚類(lèi)數(shù)的確定58-59
• 5.4.5 最近鄰查找效率比較59
• 5.4.6 改進(jìn)算法與傳統(tǒng)算法的MAE比較59-60
• 5.5 本章小結(jié)60-62
• 結(jié)論62-64
• 參考文獻(xiàn)64-68
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文68-70
• 致謝70

  本文關(guān)鍵詞：基于協(xié)同過(guò)濾算法的個(gè)性化推薦技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：282736