協(xié)同過濾推薦是推薦系統(tǒng)中的一種重要推薦算法,該算法推薦準確度高,易于實現(xiàn),但它仍然面臨著數(shù)據(jù)稀疏性和冷啟動等問題。在目前的研究中,主要的改進集中在基于模型的協(xié)同過濾中,在基于用戶和項目屬性的算法相似性和預測評分的改進上還存在著空缺。針對上述不足,本文結合用戶和項目屬性,提出一種基于項目和用戶屬性的協(xié)同過濾推薦算法。該算法分為下述兩個部分。在基于項目屬性評分的協(xié)同過濾中,本文引入了屬性重要度和屬性可信度兩個重要概念,通過屬性重要度描述用戶對屬性的喜好程度,通過屬性可信度描述屬性重要度的可信任程度。使用屬性重要度、屬性可信度和用戶對項目的評分計算出用戶對項目屬性的評分。接下來使用用戶對項目屬性的評分構建用戶-項目屬性評分矩陣,并計算相似度,接下來在原始的用戶-項目評分矩陣上對用戶的評分進行預測。最后使用實驗對屬性重要度、屬性可信度和多屬性評分的有效性進行了證明,并將基于項目屬性評分的協(xié)同過濾與基于均值的協(xié)同過濾的推薦效果進行了比較,實驗表明本算法的推薦效果相比于基于均值的協(xié)同過濾在MAE評價標準上提升了0.02。在基于用戶屬性的聚類的協(xié)同過濾中,將用戶特征量化,使用k-means算法對用戶... 

【文章來源】：江西財經(jīng)大學江西省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

總體研究思路根據(jù)這個研究思路，本文的研究方法主要分為下述兩種方法

不再使用構建的用戶-項目屬陣計算出的相似度，結合原始的評分矩陣對時，需要選取與用戶相似度最高，且對被預用戶的 k 近鄰，用戶對某項目的預測評分即戶對項目的喜好時，首先觀察該用戶的 k 部分近鄰都對該項目評分較高時，對將這個大致推薦過程如下圖所示：

calcDistance(Ij,Ki)ssign Kito IIiin I:alcCenter(Ii)類為兩種，在自底向上的層次聚類中，首先使每個樣本層，然后從最底層開始，每一次通過合并兩個最相似的聚類簇，當所有數(shù)據(jù)樣本都合并到一個聚類簇中。而自頂向下的層次聚類恰恰相反，首先將所有的樣層，然后每次將這個聚類簇分裂為兩個簇，形成下一簇中只有一個數(shù)據(jù)樣本或是達到終止條件。聚類過程如下所示：

【參考文獻】：
期刊論文
[1]結合用戶屬性聚類的協(xié)同過濾推薦算法[J]. 林康,楊云,秦怡,閔玉涓.  計算機與現(xiàn)代化. 2016(07)
[2]一種基于項目屬性評分的協(xié)同過濾推薦算法[J]. 龔安,高云,高洪福.  計算機工程與科學. 2015(12)
[3]基于用戶興趣模糊聚類的協(xié)同過濾算法[J]. 劉占兵,肖詩斌.  現(xiàn)代圖書情報技術. 2015(11)
[4]一種相似度改進的用戶聚類協(xié)同過濾推薦算法[J]. 孫輝,馬躍,楊海波,張紅松.  小型微型計算機系統(tǒng). 2014(09)
[5]一種利用協(xié)同過濾預測和模糊相似性改進的基于內(nèi)容的推薦方法[J]. 姜書浩,薛福亮.  現(xiàn)代圖書情報技術. 2014(02)
[6]基于項目屬性和云填充的協(xié)同過濾推薦算法[J]. 孫金剛,艾麗蓉.  計算機應用. 2012(03)
[7]協(xié)同過濾推薦研究綜述[J]. 奉國和,梁曉婷.  圖書情報工作. 2011(16)
[8]改進的增量奇異值分解協(xié)同過濾算法[J]. 顧曄,呂紅兵.  計算機工程與應用. 2011(11)
[9]基于動態(tài)貝葉斯網(wǎng)絡的協(xié)同過濾推薦方法[J]. 趙永梅,任大勇.  黑龍江科技信息. 2010(14)
[10]基于BP神經(jīng)網(wǎng)絡的協(xié)作過濾推薦算法[J]. 張磊,陳俊亮,孟祥武,沈筱彥,段錕.  北京郵電大學學報. 2009(06)

碩士論文
[1]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦研究[D]. 唐瑞.重慶理工大學 2016



本文編號：3487638