推薦系統(tǒng)研究一直是數(shù)據(jù)挖掘中的熱點,它向用戶提供精確地個性化推薦服務(wù),其中局部鄰域推薦算法和全局矩陣分解模型的算法已被廣泛研究。雖然已有學者將局部鄰域推薦算法和全局矩陣分解模型算法的優(yōu)點結(jié)合,形成優(yōu)勢互補,但是算法中仍然存在數(shù)據(jù)稀疏和冷啟動問題。因此,為了解決這些問題我們進行了以下研究,具體的工作內(nèi)容和創(chuàng)新點如下:1.首先論述本文的研究背景、意義以及研究現(xiàn)狀。然后闡述了推薦系統(tǒng)領(lǐng)域的相關(guān)技術(shù),其中包括基于鄰域和模型的推薦算法,總結(jié)了推薦領(lǐng)域常用的評價指標。最后,本文詳細介紹了矩陣分解模型在社會化推薦算法中的應(yīng)用。2.基于鄰域的協(xié)同過濾在進行相似用戶選擇時,只用了用戶之間的共同評分,并且矩陣稀疏性隨用戶量增大而增加,從而導致推薦精度低等問題。因此,本文提出了基于標簽權(quán)重近鄰的卷積深度學習模型,該模型在社交關(guān)系中引入了標簽并細化了標簽權(quán)重。具有相同標簽的項目往往有類似的特征,這樣使興趣一致的更容易聚類到一起,通過余弦相似性來度量他們之間的相關(guān)性,并給出用戶特征向量及特征方程的建立公式。在處理項目特征向量的時候,利用卷積神經(jīng)網(wǎng)絡(luò)處理項目特征。通過基于標簽權(quán)重近鄰的卷積深度學習模型建立的項目特... 

【文章來源】：山東師范大學山東省

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

推薦系統(tǒng)框架圖

圖 2-2 推薦算法分類2.1 基于內(nèi)容的推薦算法基于內(nèi)容的推薦算法（CB）的思想是通過對用戶過去瀏覽的內(nèi)容進行分析并提取征，然后將得到的結(jié)果與目標項目進行對比并計算他們之間的相似度，最終按照相低排列生成推薦列表并推薦給用戶[42]。它主要包括三個步驟，首先要對每個項目的行篩選分析并提取出能夠表示該項目的特征。然后利用用戶歷史記錄的項目特征數(shù)出用戶的興趣特征。最后通過計算用戶特征與目標項目的特征之間的關(guān)聯(lián)度，根據(jù)的高低為用戶推薦一組數(shù)值最大的項目。CB 算法的用戶獨立性強，因為每個用戶提取的屬性都基于他們自己對項目的偏且與其他用戶的行為無關(guān)。并且算法的可解釋性強，提高推薦結(jié)果被接受的可能性想向用戶推薦某產(chǎn)品時可以向用戶解釋該產(chǎn)品的某些屬性跟您的喜好很符合，曾經(jīng)相似產(chǎn)品等等。而且該算法還可以根據(jù)歷史記錄有利于新項目推薦，但是 CB 算法一些問題，如果推薦對象是視頻、音樂這樣的非文本對象，在自動提取特征關(guān)鍵字

圖 2-3 基于內(nèi)容推薦過程項目中如果以文本內(nèi)容為例，首先要從文本中提取出屬性特征。我本中抽取出某出現(xiàn)頻率高詞，文本中的詞分別對應(yīng)一個權(quán)重，然后它們的權(quán)重。如果用這種計算方法可以把一篇文本用一個具體的向從文本集合1 2 { , , ,}ND d d d 中提取特征，首先要把文本中的每,}nt 表示，N 是文本數(shù)量，n是文本中詞的總數(shù)。假設(shè)第 j篇文本可2, , }j nj w ，其中i jw 意思是第i 個詞在文本 j中的權(quán)重，它的值越大重要。因此，表示第 j篇文章關(guān)鍵就在于計算jd 中各部分的值。通中經(jīng)常用到的加權(quán)方法 TF-IDF[43]，所以我們可以得到所有i 個詞在值。, ( , ) ( )i j i j iW TF t d IDF t

【參考文獻】：
期刊論文
[1]基于改進聚類和矩陣分解的協(xié)同過濾推薦算法[J]. 王永貴,宋真真,肖成龍.  計算機應(yīng)用. 2018(04)
[2]結(jié)合概率矩陣分解的混合型推薦算法[J]. 楊豐瑞,鄭云俊,張昌.  計算機應(yīng)用. 2018(03)
[3]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學報. 2017(03)
[4]一種改進的K-means聚類的協(xié)同過濾算法[J]. 趙偉,林楠,韓英,張洪濤.  安徽大學學報(自然科學版). 2016(02)
[5]基于平行因子分解的協(xié)同聚類推薦算法[J]. 丁小煥,彭甫镕,王瓊,陸建峰.  計算機應(yīng)用. 2016(06)
[6]推薦系統(tǒng)評測方法和指標分析[J]. 王春才,邢暉,李英韜.  信息技術(shù)與標準化. 2015(07)
[7]產(chǎn)品評論特征及觀點抽取研究[J]. 郗亞輝.  情報學報. 2014 (03)
[8]基于時序行為的協(xié)同過濾推薦算法[J]. 孫光福,吳樂,劉淇,朱琛,陳恩紅.  軟件學報. 2013(11)
[9]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應(yīng)用. 2012(07)



本文編號：3108242