基于半監(jiān)督降維的電影混合推薦算法研究及實現
發(fā)布時間：2021-03-24 20:45
隨著互聯網行業(yè)的蓬勃發(fā)展和大數據時代的到來,當代電影行業(yè)信息爆炸式增長。一方面,信息提供給人們的娛樂選擇令人眼花繚亂,傳統(tǒng)電影網站大多使用推薦熱門電影的方式,這種推薦方式無法滿足用戶個性化需求。因此,如何基于數據進行有效分析,進而針對用戶個性化娛樂需求實現有效推薦,成為了當代文娛產業(yè)創(chuàng)造商業(yè)化價值的關鍵。另一方面,面對復雜高維的數據信息,推薦系統(tǒng)勢必要付出極大的存儲與處理代價。因此,如何在保持電影推薦精度、滿足用戶個性化興趣需求的前提下,有效進行數據降維,以縮減推薦成本,成為了推薦系統(tǒng)的關鍵性課題�；诖�,本文針對半監(jiān)督降維的電影混合推薦進行了研究與實現,具體研究內容如下:（1）針對提升推薦精度以滿足用戶個性化娛樂需求,本論文提出了使用“基于負反饋與時間懲罰項的雙向分類過濾推薦”的改進算法,利用熱門電影的負反饋,挖掘隱含潛在信息,豐富可利用的數據集合,同時引入時間懲罰項,根據時間變化對興趣的影響有效調整用戶偏好權重。最后,聚類用戶偏好矩陣與電影項目特征矩陣,雙向聚類后過濾結果。經實驗證明,本論文提出的“基于負反饋與時間懲罰項的雙向分類過濾推薦”改進算法能夠有效提升推薦精度、滿足用戶個性...
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數】：69 頁
【學位級別】：碩士
【部分圖文】：
圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進算法如下：??
?�。�??＾１２３４Ｓ６７８／??時間／天??圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進算法如下：??當／＜丁〇，則興趣保持度設置為：灰勿＝１００％，當興趣保持度遵循如上??公式（３－１２），妒（ｒ）?＝?８４．２１ｘ〇－１５廣２３８３?＋１５．６６，當＾丁丨時，興趣保持度設置為：??剛＝４０％。??綜上所述，該公式為：??Ｕ＜ｒ０??＾（／）?＝?－?８４．２１ｘ（ｒ－１５）－０２３８３?＋１５．６６，ｒ０?＜ｔ＜７；?（３＿１３）??０．４，／?＞７］??其中，Ｔ〇為１５，?１＾＊１８６，ｆ為用戶對電影的評分時間距離系統(tǒng)用戶最近評??分時間的天數
薦的精準度。?．??其推薦原理如圖３－３所示：??ｕｓｅｒＡ?＾?ｍｏｖｉｅｌ??ｕｓｅｒＢ?―２??？?ｚ－Ｚ’＇、————??ｕｓｅｒＣ?ｚ?ｍｏｖｉｅ３??ｕｓｅｒＤ?ｍｏｖｉｅ４??ｌ??得到用戶偏好矩陣、電影特征矩陣并聚類??糞????４推薦并過濾??ｍ??？??ｍｏｖｉｅ?ｕｓｅｒ??圖３－３推薦原理圖??主要采用了瀑布型混合推薦算法，使用過濾的方式，將基于矩陣分解的推薦??視為一層過濾，得到用戶偏好矩陣與電影特征矩陣并將其分別聚類。輸出結果后，??將其分別使用基于用戶與基于物品的協同過濾推薦，雙向過濾，從而能夠實現推??薦精度的提升。其推薦模塊如圖３－４所示：??２７??
【參考文獻】：
期刊論文
[1]基于艾賓浩斯遺忘曲線的個性化推薦算法[J]. 周子愉. 電子制作. 2018(Z2)
[2]融合用戶自然最近鄰的協同過濾推薦算法[J]. 王穎,王欣,唐萬梅. 計算機工程與應用. 2018(07)
[3]主成分分析與線性判別分析兩種數據降維算法的對比研究[J]. 董虎勝. 現代計算機(專業(yè)版). 2016(29)
[4]一種基于矩陣分解的電影推薦算法[J]. 聶常超. 電子設計工程. 2016(19)
[5]基于Hadoop云網絡在用戶視頻推薦中研究[J]. 趙鑫. 電腦知識與技術. 2016(06)
[6]基于內容的推薦與協同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲. 計算機應用. 2016(02)
[7]深度自動編碼器的研究與展望[J]. 曲建嶺,杜辰飛,邸亞洲,高峰,郭超然. 計算機與現代化. 2014(08)
[8]大數據研究[J]. 嚴霄鳳,張德馨. 計算機技術與發(fā)展. 2013(04)
[9]一種有監(jiān)督的線性降維人臉識別算法[J]. 郭麗,鄭忠龍,賈炯,張海新,付芳梅. 計算機工程. 2013(11)
[10]基于艾賓浩斯遺忘的用戶興趣模型更新機制[J]. 韓曉吉,劉鳳鳴. 網絡安全技術與應用. 2012(07)
博士論文
[1]基于地理標簽的社會媒體數據挖掘的智能旅游推薦研究[D]. Abdul Majid.浙江大學 2012
[2]線性圖嵌入算法及其應用[D]. 陳江峰.北京交通大學 2012
[3]基于流形學習的特征提取方法及其應用研究[D]. 李波.中國科學技術大學 2008
碩士論文
[1]基于偏好感知的微信公眾平臺混合推薦算法研究[D]. 劉偉.華中師范大學 2016
[2]基于隨機搜索策略的多標簽特征選擇方法研究[D]. 趙磊.南京師范大學 2016
[3]基于時間效應和用戶興趣變化的改進推薦算法研究[D]. 孫光輝.北京郵電大學 2014
[4]推薦算法研究和對象搜索引擎的搭建[D]. 羅睿陽.北京郵電大學 2014
[5]基于內容的垃圾郵件檢測特征降維算法研究[D]. 馮禹.浙江大學 2013
[6]個性化混合推薦算法的研究[D]. 張騰季.浙江大學 2013
[7]基于流形學習的數據降維的研究[D]. 唐文俊.廣東工業(yè)大學 2012
[8]面向數據稀疏的協同過濾推薦算法研究[D]. 張學勝.中國科學技術大學 2011
本文編號：3098366
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數】：69 頁
【學位級別】：碩士
【部分圖文】：
圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進算法如下：??
?�。�??＾１２３４Ｓ６７８／??時間／天??圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進算法如下：??當／＜丁〇，則興趣保持度設置為：灰勿＝１００％，當興趣保持度遵循如上??公式（３－１２），妒（ｒ）?＝?８４．２１ｘ〇－１５廣２３８３?＋１５．６６，當＾丁丨時，興趣保持度設置為：??剛＝４０％。??綜上所述，該公式為：??Ｕ＜ｒ０??＾（／）?＝?－?８４．２１ｘ（ｒ－１５）－０２３８３?＋１５．６６，ｒ０?＜ｔ＜７；?（３＿１３）??０．４，／?＞７］??其中，Ｔ〇為１５，?１＾＊１８６，ｆ為用戶對電影的評分時間距離系統(tǒng)用戶最近評??分時間的天數
薦的精準度。?．??其推薦原理如圖３－３所示：??ｕｓｅｒＡ?＾?ｍｏｖｉｅｌ??ｕｓｅｒＢ?―２??？?ｚ－Ｚ’＇、————??ｕｓｅｒＣ?ｚ?ｍｏｖｉｅ３??ｕｓｅｒＤ?ｍｏｖｉｅ４??ｌ??得到用戶偏好矩陣、電影特征矩陣并聚類??糞????４推薦并過濾??ｍ??？??ｍｏｖｉｅ?ｕｓｅｒ??圖３－３推薦原理圖??主要采用了瀑布型混合推薦算法，使用過濾的方式，將基于矩陣分解的推薦??視為一層過濾，得到用戶偏好矩陣與電影特征矩陣并將其分別聚類。輸出結果后，??將其分別使用基于用戶與基于物品的協同過濾推薦，雙向過濾，從而能夠實現推??薦精度的提升。其推薦模塊如圖３－４所示：??２７??
【參考文獻】：
期刊論文
[1]基于艾賓浩斯遺忘曲線的個性化推薦算法[J]. 周子愉. 電子制作. 2018(Z2)
[2]融合用戶自然最近鄰的協同過濾推薦算法[J]. 王穎,王欣,唐萬梅. 計算機工程與應用. 2018(07)
[3]主成分分析與線性判別分析兩種數據降維算法的對比研究[J]. 董虎勝. 現代計算機(專業(yè)版). 2016(29)
[4]一種基于矩陣分解的電影推薦算法[J]. 聶常超. 電子設計工程. 2016(19)
[5]基于Hadoop云網絡在用戶視頻推薦中研究[J]. 趙鑫. 電腦知識與技術. 2016(06)
[6]基于內容的推薦與協同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲. 計算機應用. 2016(02)
[7]深度自動編碼器的研究與展望[J]. 曲建嶺,杜辰飛,邸亞洲,高峰,郭超然. 計算機與現代化. 2014(08)
[8]大數據研究[J]. 嚴霄鳳,張德馨. 計算機技術與發(fā)展. 2013(04)
[9]一種有監(jiān)督的線性降維人臉識別算法[J]. 郭麗,鄭忠龍,賈炯,張海新,付芳梅. 計算機工程. 2013(11)
[10]基于艾賓浩斯遺忘的用戶興趣模型更新機制[J]. 韓曉吉,劉鳳鳴. 網絡安全技術與應用. 2012(07)
博士論文
[1]基于地理標簽的社會媒體數據挖掘的智能旅游推薦研究[D]. Abdul Majid.浙江大學 2012
[2]線性圖嵌入算法及其應用[D]. 陳江峰.北京交通大學 2012
[3]基于流形學習的特征提取方法及其應用研究[D]. 李波.中國科學技術大學 2008
碩士論文
[1]基于偏好感知的微信公眾平臺混合推薦算法研究[D]. 劉偉.華中師范大學 2016
[2]基于隨機搜索策略的多標簽特征選擇方法研究[D]. 趙磊.南京師范大學 2016
[3]基于時間效應和用戶興趣變化的改進推薦算法研究[D]. 孫光輝.北京郵電大學 2014
[4]推薦算法研究和對象搜索引擎的搭建[D]. 羅睿陽.北京郵電大學 2014
[5]基于內容的垃圾郵件檢測特征降維算法研究[D]. 馮禹.浙江大學 2013
[6]個性化混合推薦算法的研究[D]. 張騰季.浙江大學 2013
[7]基于流形學習的數據降維的研究[D]. 唐文俊.廣東工業(yè)大學 2012
[8]面向數據稀疏的協同過濾推薦算法研究[D]. 張學勝.中國科學技術大學 2011
本文編號：3098366
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3098366.html
