隨著電子商務(wù)快速發(fā)展,推薦系統(tǒng)成為電子商務(wù)里是必不可少的工具。目前推薦模型面對的最大問題是原始數(shù)據(jù)的強稀疏性和高維度,這些問題將會導(dǎo)致模型個性化低和計算效率低。傳統(tǒng)的推薦算法是直接利用用戶已觀看過的行為數(shù)據(jù)來做分析,但是觀眾會隨著心情隨意打分以及某些制片商通過惡意刷分來提高自己的收益,這些行為都會影響最終推薦結(jié)果的準確度。針對上述問題,本文對推薦算法中最主流的協(xié)同過濾算法進行研究,并且引入文本情感分析來提高推薦精確度。主要研究內(nèi)容包括:1.針對待分析的原始數(shù)據(jù)存在強稀疏和高維度等問題,在最近鄰模型基礎(chǔ)上引入矩陣分解構(gòu)成混合算法。首先對皮爾遜相似度做改進,使其考慮到更多的隱式特征,可以更精確地計算出用戶和項目的各自“鄰居”集合。然后用獲得的兩個“鄰居”集合來構(gòu)建評分矩陣,這個過程相當于提前把信息過濾了一遍,避免遍歷其它稀疏數(shù)據(jù),從而降低稀疏數(shù)據(jù)對實驗的影響。利用矩陣分解的方法可以加快運算速度,降低時間復(fù)雜度和提高推薦精確度。2.傳統(tǒng)的推薦算法只分析了用戶評分等歷史行為數(shù)據(jù),這些數(shù)據(jù)質(zhì)量的好壞會影響推薦的精確度。通過影評情感分析對泛推結(jié)果進行過濾,從而達到精確推薦。針對影評上下文信息帶有自... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

RMSE隨著a、f的變化情況

23(b) 均方根誤差的變化（影片數(shù)據(jù)）圖 3.3 隨著訓(xùn)練集的增大模型效果變化情況.3 中圖(a)表示隨著訓(xùn)練集的增大，推薦結(jié)果的覆蓋率變化情況。覆“長尾商品”的處理越好，意味著推薦商品更全面。圖 3.3 中圖大，模型的誤差平方和的變化情況，根據(jù)這個圖可以判別推薦算法

有效地降低稀疏數(shù)據(jù)對模型推薦效果的影響。在一種算法結(jié)果會出現(xiàn)相似。所以在一定的范圍內(nèi)，算法的準確性時間推移就會出現(xiàn)變化，因此會影響推薦的精確性，從而帶來外用戶在不同的地方會擁有不同的心情，這些都會影響他的評然實驗是不可能把所有影響因素考慮進計算模型，但是在本結(jié)果影響最大的因素是信息的不充分和數(shù)據(jù)稀疏問題，這些獲取量的缺少。創(chuàng)新評分矩陣可以獲取更多用戶與影片間的特時，增加了數(shù)據(jù)的密集度。并且由上述可知，訓(xùn)練集中的評分比，結(jié)果就會得以改善。消融學(xué)習(xí)，從精確性來判斷混合模型的效果。本文把 KNN-D 算法作比較，隨著選取訓(xùn)練集大小的變化，F(xiàn)1 值也發(fā)生變化以選取合適大小的訓(xùn)練集。最優(yōu) X 的值確定如圖 3.4 所示。


本文編號：3380089