基于矩陣分解技術(shù)的系統(tǒng)過濾是一種常見的推薦技術(shù),但是由于用戶和商品數(shù)據(jù)的稀疏性和推薦系統(tǒng)可擴(kuò)展性差的問題,使推薦系統(tǒng)的準(zhǔn)確性和計(jì)算效率受到了巨大挑戰(zhàn)。本文提出基于顯性信息和隱性信息聚類矩陣近似的協(xié)同過濾推薦模型,該模型主要針對推薦系統(tǒng)中存在的用戶商品數(shù)據(jù)的稀疏問題和推薦系統(tǒng)可擴(kuò)展性較差問題進(jìn)行改進(jìn),以期提升推薦系統(tǒng)的準(zhǔn)確率與計(jì)算效率�；陲@性信息的聚類矩陣近似的協(xié)同過濾推薦方法通過用戶和商品同時(shí)聚類來考慮用戶對于商品興趣的局部特性,找到評分矩陣的內(nèi)在結(jié)構(gòu),形成稠密矩陣塊。同時(shí),該方法應(yīng)用的是真實(shí)評分?jǐn)?shù)據(jù),而不是填充數(shù)據(jù),從而較少地將缺失數(shù)據(jù)納入計(jì)算范圍,減少了噪聲數(shù)據(jù)的干擾,提升了推薦質(zhì)量。在稠密矩陣塊內(nèi)部做推薦減少了推薦系統(tǒng)整體的數(shù)據(jù)輸入,提高了計(jì)算效率�；陔[性信息的聚類矩陣近似的協(xié)同過濾推薦方法首先將用戶-商品評分矩陣轉(zhuǎn)化為進(jìn)過處理后的偏好指示矩陣,在此基礎(chǔ)上進(jìn)行尋找最相似的用戶-商品稠密矩陣塊。然后將通過偏好指示矩陣找到的稠密矩陣塊中的數(shù)據(jù)還原為原始用戶對商品的評分?jǐn)?shù)據(jù),并進(jìn)行矩陣近似和對用戶進(jìn)行推薦。最后,本文選取MovieLens-100K電影評分真實(shí)數(shù)據(jù)集進(jìn)行試驗(yàn),并采用... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＳＶＤ分解示意圖??Ｆｉｇ．２－１?ＳＶＤ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｄｉａｇｒａｍ??

?北京化工大學(xué)碩士學(xué)位論文???ｎ??＾?ｍ??圖２－２：?ＰＬＳＡ原理示意圖??Ｆｉｇ．２－２?ＰＬＳＡ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｄｉａｇｒａｍ??在ＰＬＳＡ中，首先定義潛在主題變量Ｚ?＝?，…，＼卜表示選擇用戶％??的概率，表示在用戶給定ｗ，的情況下，該用戶擁有興趣主題＼的概率，??表示在興趣主題＆給定的情況下選擇商品乂的概率。那么，公式（２－４）??計(jì)算了商品＆被用戶％選中的概率。??Ｐ（＊）?＝?ＺＰ“｜々（�。�?（２－４）??該模型一般在訓(xùn)練數(shù)據(jù)上采用ＥＭ算法進(jìn)行求解，詳細(xì)的求解步驟可以參見??文獻(xiàn)（８１）。在給定興趣主題數(shù)量ｈ并計(jì)算出用戶的興趣主題概率＾以及??興趣主題々下商品概率之后，根據(jù)公式（２－４）即可為用戶推薦商品。??之后，用戶對商品評分的估算可由公式（２－５）得到。此處，ｒａｔｅ表示評分矩??ｍａｘ??陣尺中的最高評分。??Ｐ（９ｊ＼ｕｉ）?＝?ＴＰ（９ｊ＼ｚｋ）Ｐ＾Ｍ）ｘｒａｔｅ＾??（２－５）??ｋ??２＿２＿?２．３基于ＳＧＤ?（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，隨機(jī)梯度下降）的協(xié)同過濾??方法??ＳＧＤ原理??定義一組ｍ個(gè)自變量為，…，＇卜因變量為少２，＿＿？，凡Ｊ，目標(biāo)??１４??

?第五章實(shí)驗(yàn)與分析???第五章實(shí)驗(yàn)與分析??５．?１實(shí)驗(yàn)數(shù)據(jù)??本文采用經(jīng)典的ＭｏｖｉｅＬｅｎｓ－１００Ｋ數(shù)據(jù)集４。該數(shù)據(jù)集有１００，０００個(gè)評分?jǐn)?shù)據(jù)，??來自９４３個(gè)用戶，每個(gè)用戶至少評分過２０個(gè)以上的電影，共１６８２部電影。評分??數(shù)據(jù)分為五個(gè)等級，分別是１、２、３、４、５，評分按照由高到低的順序，越低標(biāo)??示用戶對該電影的評價(jià)越低，越高標(biāo)示用戶對該電影的評價(jià)越高。經(jīng)過整理后，??本文將ＭｏｖｉｅＬｅｎｓ－１００Ｋ數(shù)據(jù)集轉(zhuǎn)化為一個(gè)９４３行、１６８２列的用戶－商品評分矩??陣Ｒ。其中，每一行數(shù)據(jù)代表一個(gè)用戶對所有商品的評分，每一列數(shù)據(jù)代表一個(gè)??商品被所有的用戶的評分，矩陣中的數(shù)值表示位于該行的用戶對位于該列的商品??的評分。計(jì)算該矩陣中評分不為０的數(shù)據(jù)占全部數(shù)據(jù)的比重可以得到矩陣的稠密??度為６．３％，也就是說，該矩陣的稀疏性為９３．７％，這意味著該矩陣中９３．７％的數(shù)??據(jù)都是０。圖６顯示了該數(shù)據(jù)集非零數(shù)據(jù)的分布狀態(tài)（圖中ＮＺ是ｎｏｎｅ?ｚｅｒｏ的縮??寫）：??三??０?２￡Ｋ）?４００?６００?Ｋ）０?１０００?１２００?１４００?１６００??ｎｚ?＝?１０００００??圖５－１?ＭｏｖｉｅＬｅｎｓ－１００Ｋ數(shù)據(jù)集非零數(shù)據(jù)分布圖??Ｆｉｇ．５－１?ＭｏｖｉｅＬｅｎｓ－１００Ｋ?Ｄａｔａ?Ｓｅｔ?Ｎｏｎ－ｚｅｒｏ?Ｄａｔａ?Ｄｉｓｔｒｉｂｕｔｉｏｎ?Ｍａｐ??４《Ｍｏｖｉｅｌｅｎｓ?數(shù)據(jù)集》，ｏｎｌｉｎｅ：??ｈｔｔｐｓ：／／ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｄａｔａｓｅｔｓ／ｍｏｖｉｅｌｅｎｓ／??３１??

【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏聚類和信任度的協(xié)同過濾算法[J]. 侯宇博.  信息與電腦(理論版). 2018(07)
[2]基于雙層相似度的協(xié)同過濾推薦算法[J]. 謝毅剛,郭衛(wèi)斌,李建華.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[3]矩陣分解在大規(guī)模個(gè)性化推薦系統(tǒng)中的實(shí)際應(yīng)用[J]. 徐細(xì)林,李毅.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(05)
[4]運(yùn)行在Hadoop上的基于用戶的協(xié)同過濾推薦算法研究[J]. 王斯鋒,祝永志,劉文超.  電子技術(shù). 2017(11)
[5]基于矩陣分解的個(gè)性化推薦系統(tǒng)研究[J]. 張時(shí)俊,王永恒.  中文信息學(xué)報(bào). 2017(03)
[6]國內(nèi)電子商務(wù)網(wǎng)站推薦系統(tǒng)信息服務(wù)質(zhì)量比較研究——以淘寶、京東、亞馬遜為例[J]. 洪亮,任秋圜,梁樹賢.  圖書情報(bào)工作. 2016(23)
[7]基于Web日志挖掘和相關(guān)性度量的電子商務(wù)推薦系統(tǒng)[J]. 馬勇,鮮敏,鄭翔,黎遠(yuǎn)松.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(08)
[8]基于地理位置的個(gè)性化新聞混合推薦研究[J]. 陶永才,李俊艷,石磊,衛(wèi)琳.  小型微型計(jì)算機(jī)系統(tǒng). 2016(05)
[9]基于用戶的協(xié)同過濾算法的推薦效率和個(gè)性化改進(jìn)[J]. 王成,朱志剛,張玉俠,蘇芳芳.  小型微型計(jì)算機(jī)系統(tǒng). 2016(03)
[10]網(wǎng)絡(luò)推薦系統(tǒng)對消費(fèi)者的營銷效果——技術(shù)接受模型視角[J]. 楊一翁,王毅,孫國輝.  中國流通經(jīng)濟(jì). 2016(02)

博士論文
[1]社會網(wǎng)絡(luò)中基于社會關(guān)系的推薦算法研究[D]. 郭磊.山東大學(xué) 2015

碩士論文
[1]基于用戶需求深度驅(qū)動的個(gè)性化推薦算法研究[D]. 劉倩倩.山東師范大學(xué) 2017
[2]基于協(xié)同過濾的推薦算法研究與引擎設(shè)計(jì)[D]. 王世暉.電子科技大學(xué) 2017
[3]基于用戶協(xié)同過濾推薦技術(shù)的研究與實(shí)現(xiàn)[D]. 郎鵬程.寧夏大學(xué) 2017
[4]基于網(wǎng)廳用戶隱私行為的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)和研究[D]. 束宇.南京郵電大學(xué) 2016
[5]基于概率矩陣分解的個(gè)性化推薦系統(tǒng)研究[D]. 譚鳳.西南大學(xué) 2015
[6]協(xié)同過濾推薦算法稀疏性與可擴(kuò)展性問題研究[D]. 李小浩.重慶大學(xué) 2015
[7]基于矩陣分解和隨機(jī)游走相結(jié)合的推薦算法[D]. 楊永向.北京交通大學(xué) 2014
[8]基于分類的推薦系統(tǒng)優(yōu)化方法研究[D]. 朱洪青.華中科技大學(xué) 2014



本文編號：3417018