發(fā)布時(shí)間：2021-09-13 17:33

　　隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,每天都有海量的信息持續(xù)更新和增加,面對(duì)互聯(lián)網(wǎng)上紛雜的數(shù)據(jù),人們通常難以從其中找到自己真正需要的信息資源,推薦算法因此被提出。推薦算法能夠根據(jù)用戶以往的行為及評(píng)分預(yù)測(cè)出用戶偏好,針對(duì)當(dāng)前用戶生成一個(gè)獨(dú)一無(wú)二的推薦列表,主動(dòng)引導(dǎo)用戶對(duì)信息的發(fā)現(xiàn)。目前大部分的推薦算法利用的都是用戶的顯式反饋（比如評(píng)分）,但這些顯式反饋收集難度大且真實(shí)性無(wú)法保證。實(shí)際上,探究用戶對(duì)物品的興趣還可以依靠存在Web日志中的大量隱式反饋。就電商平臺(tái)而言,用戶從搜索到下單必然產(chǎn)生許多中間數(shù)據(jù)——點(diǎn)擊、瀏覽、關(guān)注、收藏、加購(gòu)等等,這些行為數(shù)據(jù)在未被用戶察覺(jué)的情況下收集,能夠真實(shí)可靠地反映用戶興趣,且這些行為數(shù)據(jù)能夠?qū)崟r(shí)更新,因此基于用戶行為的推薦算法具有重要的研究?jī)r(jià)值。本文對(duì)推薦算法國(guó)內(nèi)外發(fā)展現(xiàn)狀、常用數(shù)據(jù)集以及測(cè)評(píng)指標(biāo)進(jìn)行了充分的調(diào)研,并分析了現(xiàn)有研究成果的不足,開(kāi)展了如下工作:（1）要利用行為數(shù)據(jù)進(jìn)行推薦,首先要建立起用戶行為與用戶興趣間的聯(lián)系,將用戶行為量化表示,這需要對(duì)用戶行為進(jìn)行深入理解與分析,準(zhǔn)確挖掘行為和興趣間的隱含關(guān)系。一般的算法都是直接人為地給用戶行為賦予分?jǐn)?shù),這種方法十分粗... 

【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推薦算法分類(lèi)??Ｆｉｇ．２－１?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｏｆ?ｒｅｃｏｍｍｅｎｄｅｄ?ａｌｇｏｒｉｔｈｍｓ??

比如商品類(lèi)別、價(jià)格，然后找到最相似的幾個(gè)物品，把它們歸為一類(lèi)，??一旦有用戶購(gòu)買(mǎi)其中一個(gè)商品，系統(tǒng)就會(huì)推薦該用戶嘗試購(gòu)買(mǎi)這一類(lèi)中的其他商??品。圖２－３為基于內(nèi)容的推薦算法示例圖：??—喜歡一＂舒緩曰■音樂(lè)＼??用戶Ａ?推薦??似??＼?音樂(lè)２?Ｖ??舒緩輕音樂(lè)??＼???／??警－喜歡＾［搖Ｈ?：??用戶Ｂ??圖２－３基于內(nèi)容的推薦算法示例圖??Ｆｉｇ．２－３?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｔｅｎｔ－ｂａｓｅｄ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??１０??

３０歲?＾＾??圖２－２基于人口統(tǒng)計(jì)學(xué)推薦算法示意圖??Ｆｉｇ．２－２?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｄｅｍｏｇｒａｐｈｉｃ－ｂａｓｅｄ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??該算法利用了用戶的個(gè)人信息數(shù)據(jù)，而通常情況下這些數(shù)據(jù)是在用戶注冊(cè)該??系統(tǒng)時(shí)收集到的，因此即使沒(méi)有用戶的歷史評(píng)分也可以使用該算法進(jìn)行推薦。且??該算法的計(jì)算不依賴于其他因素，所以算法的移植性好。其缺點(diǎn)是算法思想過(guò)于??簡(jiǎn)單，不能只通過(guò)兩個(gè)用戶自身?xiàng)l件相似，就簡(jiǎn)單判斷其興趣也相似，所以不可??避免地會(huì)造成推薦結(jié)果并不理想。??２．３基于內(nèi)容的推薦算法??與２．２節(jié)中介紹的算法類(lèi)似，此類(lèi)算法一切出發(fā)點(diǎn)在于物品。它比較了每個(gè)物??品的屬性，比如商品類(lèi)別、價(jià)格，然后找到最相似的幾個(gè)物品，把它們歸為一類(lèi)，??一旦有用戶購(gòu)買(mǎi)其中一個(gè)商品，系統(tǒng)就會(huì)推薦該用戶嘗試購(gòu)買(mǎi)這一類(lèi)中的其他商??品。圖２－３為基于內(nèi)容的推薦算法示例圖：??

【參考文獻(xiàn)】：
期刊論文
[1]一種融合用戶與項(xiàng)目屬性的協(xié)同過(guò)濾算法的設(shè)計(jì)與實(shí)現(xiàn)[J]. 陶志勇,崔新新.  計(jì)算機(jī)應(yīng)用與軟件. 2019(02)
[2]信任社交網(wǎng)絡(luò)中基于圖熵的個(gè)性化推薦算法[J]. 蔡永嘉,李冠宇,關(guān)皓元.  計(jì)算機(jī)應(yīng)用. 2019(01)
[3]國(guó)內(nèi)外大數(shù)據(jù)推薦算法領(lǐng)域前沿動(dòng)態(tài)研究[J]. 陳軍,謝衛(wèi)紅,陳揚(yáng)森.  中國(guó)科技論壇. 2018(01)
[4]基于人口統(tǒng)計(jì)學(xué)的改進(jìn)聚類(lèi)模型協(xié)同過(guò)濾算法[J]. 王媛媛,李翔.  計(jì)算機(jī)科學(xué). 2017(03)
[5]一種改進(jìn)的top-N協(xié)同過(guò)濾推薦算法[J]. 肖文強(qiáng),姚世軍,吳善明.  計(jì)算機(jī)應(yīng)用研究. 2018(01)
[6]基于內(nèi)容的推薦與協(xié)同過(guò)濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[7]基于隱式用戶反饋數(shù)據(jù)流的實(shí)時(shí)個(gè)性化推薦[J]. 王智圣,李琪,汪靜,印鑒.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[8]基于近鄰關(guān)系的個(gè)性化推薦算法研究[J]. 李慧,胡云,李存華,王霞.  計(jì)算機(jī)工程與應(yīng)用. 2012(36)
[9]協(xié)同過(guò)濾推薦算法[J]. 吳月萍,鄭建國(guó).  計(jì)算機(jī)工程與設(shè)計(jì). 2011(09)
[10]基于協(xié)同過(guò)濾與劃分聚類(lèi)的改進(jìn)推薦算法[J]. 吳泓辰,王新軍,成勇,彭朝暉.  計(jì)算機(jī)研究與發(fā)展. 2011(S3)

博士論文
[1]基于位置的移動(dòng)社會(huì)化網(wǎng)絡(luò)推薦技術(shù)研究[D]. 劉樹(shù)棟.北京郵電大學(xué) 2015

碩士論文
[1]基于用戶關(guān)系的矩陣分解推薦算法研究[D]. 張志綺.北京交通大學(xué) 2016
[2]基于用戶行為的個(gè)性化推薦算法研究[D]. 王聰.哈爾濱工業(yè)大學(xué) 2015
[3]基于關(guān)聯(lián)規(guī)則的推薦算法研究與應(yīng)用[D]. 鄧先箴.華東師范大學(xué) 2010



本文編號(hào)：3395045