發(fā)布時(shí)間：2021-03-16 02:36

　　近年來(lái),隨著大數(shù)據(jù)、物聯(lián)網(wǎng)和人工智能等新技術(shù)的發(fā)展,全球數(shù)據(jù)量急劇增長(zhǎng)。大數(shù)據(jù)中蘊(yùn)含的豐富價(jià)值與巨大潛力為人類(lèi)提供便利的同時(shí)也帶來(lái)了信息過(guò)載問(wèn)題。為幫助用戶(hù)迅速?gòu)暮Ａ啃畔⒅蝎@取有價(jià)值的信息,個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。然而隨著推薦系統(tǒng)中用戶(hù)規(guī)模及項(xiàng)目規(guī)模的迅速增長(zhǎng),用戶(hù)項(xiàng)目評(píng)分矩陣越發(fā)稀疏,導(dǎo)致傳統(tǒng)的協(xié)同過(guò)濾推薦算法的推薦精度降低。當(dāng)有新用戶(hù)或者新項(xiàng)目加入到系統(tǒng)中時(shí),由于缺乏對(duì)應(yīng)歷史評(píng)分信息,無(wú)法對(duì)其進(jìn)行推薦,此時(shí)推薦系統(tǒng)將產(chǎn)生冷啟動(dòng)問(wèn)題,影響用戶(hù)體驗(yàn)。本文分析了冷啟動(dòng)問(wèn)題產(chǎn)生的原因,通過(guò)知識(shí)圖譜將豐富的項(xiàng)目語(yǔ)義信息引入到推薦系統(tǒng)中,并融合項(xiàng)目空間模型和隨機(jī)游走的策略更好地計(jì)算項(xiàng)目相似度,從而提高推薦結(jié)果的準(zhǔn)確性。本文的主要工作包括:（1）通過(guò)分析領(lǐng)域知識(shí)圖譜構(gòu)建技術(shù),設(shè)計(jì)并實(shí)現(xiàn)了一種基于鏈接開(kāi)放數(shù)據(jù)（LOD）的電影領(lǐng)域知識(shí)圖譜構(gòu)建方法。本文對(duì)電影領(lǐng)域相關(guān)知識(shí)進(jìn)行分析研究,提取出電影領(lǐng)域的知識(shí)本體類(lèi)及實(shí)體間的關(guān)系,據(jù)此在鏈接開(kāi)放數(shù)據(jù)中查找生成對(duì)應(yīng)三元組,完成知識(shí)圖譜的構(gòu)建,并利用圖數(shù)據(jù)庫(kù)對(duì)知識(shí)進(jìn)行存儲(chǔ),實(shí)現(xiàn)知識(shí)圖譜可視化。（2）提出了一種基于領(lǐng)域知識(shí)圖譜將向量空間模型和隨機(jī)游走策略相結(jié)合的... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１個(gè)性化推薦系統(tǒng)功能模塊圖??Ｆｉｇｕｒｅ?２－１?Ｆｕｎｃｔｉｏｎａｌ?ｍｏｄｕｌｅ?ｄｉａｇｒａｍ?ｏｆ?ｐｅｒｓｏｎａｌｉｚｅｄ?ｒｅｃｏｍｍｅｎｄｅｒ?ｓｙｓｔｅｍ??

圖２－２基于內(nèi)容的推薦過(guò)程??Ｆｉｇｕｒｅ?２－２?Ｐｒｏｃｅｓｓ?ｏｆ?ｃｏｎｔｅｎｔ－ｂａｓｅｄ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ??２－，：??

圖２－３協(xié)同過(guò)濾推薦算法分類(lèi)圖??Ｆｉｇｕｒｅ?２－３?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｆ?ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ａｌｇｏｒｉｔｈｍ??


本文編號(hào)：3085255