協(xié)同過(guò)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(zhǔn)確度高,易于實(shí)現(xiàn),但它仍然面臨著數(shù)據(jù)稀疏性和冷啟動(dòng)等問(wèn)題。在目前的研究中,主要的改進(jìn)集中在基于模型的協(xié)同過(guò)濾中,在基于用戶和項(xiàng)目屬性的算法相似性和預(yù)測(cè)評(píng)分的改進(jìn)上還存在著空缺。針對(duì)上述不足,本文結(jié)合用戶和項(xiàng)目屬性,提出一種基于項(xiàng)目和用戶屬性的協(xié)同過(guò)濾推薦算法。該算法分為下述兩個(gè)部分。在基于項(xiàng)目屬性評(píng)分的協(xié)同過(guò)濾中,本文引入了屬性重要度和屬性可信度兩個(gè)重要概念,通過(guò)屬性重要度描述用戶對(duì)屬性的喜好程度,通過(guò)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(duì)項(xiàng)目的評(píng)分計(jì)算出用戶對(duì)項(xiàng)目屬性的評(píng)分。接下來(lái)使用用戶對(duì)項(xiàng)目屬性的評(píng)分構(gòu)建用戶-項(xiàng)目屬性評(píng)分矩陣,并計(jì)算相似度,接下來(lái)在原始的用戶-項(xiàng)目評(píng)分矩陣上對(duì)用戶的評(píng)分進(jìn)行預(yù)測(cè)。最后使用實(shí)驗(yàn)對(duì)屬性重要度、屬性可信度和多屬性評(píng)分的有效性進(jìn)行了證明,并將基于項(xiàng)目屬性評(píng)分的協(xié)同過(guò)濾與基于均值的協(xié)同過(guò)濾的推薦效果進(jìn)行了比較,實(shí)驗(yàn)表明本算法的推薦效果相比于基于均值的協(xié)同過(guò)濾在MAE評(píng)價(jià)標(biāo)準(zhǔn)上提升了0.02。在基于用戶屬性的聚類的協(xié)同過(guò)濾中,將用戶特征量化,使用k-means算法對(duì)用戶... 

【文章來(lái)源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

總體研究思路根據(jù)這個(gè)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(gòu)建的用戶-項(xiàng)目屬陣計(jì)算出的相似度，結(jié)合原始的評(píng)分矩陣對(duì)時(shí)，需要選取與用戶相似度最高，且對(duì)被預(yù)用戶的 k 近鄰，用戶對(duì)某項(xiàng)目的預(yù)測(cè)評(píng)分即戶對(duì)項(xiàng)目的喜好時(shí)，首先觀察該用戶的 k 部分近鄰都對(duì)該項(xiàng)目評(píng)分較高時(shí)，對(duì)將這個(gè)大致推薦過(guò)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(gè)樣本層，然后從最底層開(kāi)始，每一次通過(guò)合并兩個(gè)最相似的聚類簇，當(dāng)所有數(shù)據(jù)樣本都合并到一個(gè)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(gè)聚類簇分裂為兩個(gè)簇，形成下一簇中只有一個(gè)數(shù)據(jù)樣本或是達(dá)到終止條件。聚類過(guò)程如下所示：

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合用戶屬性聚類的協(xié)同過(guò)濾推薦算法[J]. 林康,楊云,秦怡,閔玉涓.  計(jì)算機(jī)與現(xiàn)代化. 2016(07)
[2]一種基于項(xiàng)目屬性評(píng)分的協(xié)同過(guò)濾推薦算法[J]. 龔安,高云,高洪福.  計(jì)算機(jī)工程與科學(xué). 2015(12)
[3]基于用戶興趣模糊聚類的協(xié)同過(guò)濾算法[J]. 劉占兵,肖詩(shī)斌.  現(xiàn)代圖書(shū)情報(bào)技術(shù). 2015(11)
[4]一種相似度改進(jìn)的用戶聚類協(xié)同過(guò)濾推薦算法[J]. 孫輝,馬躍,楊海波,張紅松.  小型微型計(jì)算機(jī)系統(tǒng). 2014(09)
[5]一種利用協(xié)同過(guò)濾預(yù)測(cè)和模糊相似性改進(jìn)的基于內(nèi)容的推薦方法[J]. 姜書(shū)浩,薛福亮.  現(xiàn)代圖書(shū)情報(bào)技術(shù). 2014(02)
[6]基于項(xiàng)目屬性和云填充的協(xié)同過(guò)濾推薦算法[J]. 孫金剛,艾麗蓉.  計(jì)算機(jī)應(yīng)用. 2012(03)
[7]協(xié)同過(guò)濾推薦研究綜述[J]. 奉國(guó)和,梁曉婷.  圖書(shū)情報(bào)工作. 2011(16)
[8]改進(jìn)的增量奇異值分解協(xié)同過(guò)濾算法[J]. 顧曄,呂紅兵.  計(jì)算機(jī)工程與應(yīng)用. 2011(11)
[9]基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的協(xié)同過(guò)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(luò)的協(xié)作過(guò)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(xué)學(xué)報(bào). 2009(06)

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



本文編號(hào)：3487638