互聯(lián)網(wǎng)的快速發(fā)展使得網(wǎng)絡(luò)信息迅速增長,一方面海量的信息為用戶提供了多樣的信息選擇的依據(jù),另一方面互聯(lián)網(wǎng)信息數(shù)量龐大、種類繁多,使得用戶難以在海量的數(shù)據(jù)中快速找到自己實(shí)際需要的信息。個性化推薦系統(tǒng)的出現(xiàn)較好的解決了這類問題,協(xié)同過濾算法作為個性化推薦的核心,目前許多專家學(xué)者仍在進(jìn)行持續(xù)的探索研究,本文考慮到協(xié)同過濾算法存在的冷啟動和數(shù)據(jù)稀疏等問題,以及情境感知與協(xié)同過濾算法獨(dú)立進(jìn)行個性化推薦的特點(diǎn),從用戶角度出發(fā),建立基于地理情境的用戶興趣模型,并提出一種混合協(xié)同過濾和關(guān)聯(lián)規(guī)則的個性化推薦算法,以期提高個性化信息推薦服務(wù)的全面性和精準(zhǔn)性。本文主要研究以下幾個方面的內(nèi)容:（1）通過對國內(nèi)外情境感知、用戶興趣模型和個性化推薦系統(tǒng)的研究發(fā)現(xiàn),用戶的興趣偏好跟用戶當(dāng)前行為、用戶所處的地理情境有著密切關(guān)系。通過情境定義、情境分類以及情境感知的計(jì)算服務(wù)框架等研究,實(shí)現(xiàn)對情境的認(rèn)知,在此基礎(chǔ)上提出地理情境的概念、抽象表達(dá)等相關(guān)知識,最后闡述基于地理情境感知的三種個性化推薦技術(shù)模式,選擇適合本文研究內(nèi)容的推薦模式進(jìn)行闡述說明。（2）用戶興趣偏好和用戶行為每時每刻都處在變化的過程中,具有較強(qiáng)的動態(tài)性和實(shí)時... 

【文章來源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

最近鄰居生成

桂林理工大學(xué)碩士學(xué)位論文36表4.5傳統(tǒng)CF和MT-UICF算法在各個鄰居數(shù)目下的Precision值5101520253035404550傳統(tǒng)CF0.43100.42980.43800.43950.39600.44030.46200.48800.40200.4198MT-UICF0.61060.53990.51200.50880.52030.53770.53830.55230.55300.5558表4.6傳統(tǒng)CF、MT-UICF算法在各個鄰居數(shù)目下Recall值5101520253035404550傳統(tǒng)CF0.38200.40130.45000.48320.51030.55100.57460.60050.62300.6549MT-UICF0.47990.49300.51200.57200.60030.65100.68330.69050.70200.7132為了直觀表示在不同鄰居數(shù)目下兩種算法的評價指標(biāo)，將表4.3、4.4、4.5、4.6表示為圖4.3的形式。圖4.3兩種算法在不同鄰居數(shù)目下的RMSE、MAE、Precision、Recall值在（a）圖中，隨著近鄰數(shù)目的增加，兩種算法的RMSE的值一直趨于平緩的狀態(tài)，但改進(jìn)的MT-UICF算法的RMSE值均小于傳統(tǒng)推薦算法的RMSE值，這說明基于MT-UICF的推薦算法相比較于傳統(tǒng)推薦算法而言，改進(jìn)的算法推薦效果更佳。在（b）圖中，隨著近鄰數(shù)量的遞增，改進(jìn)的MT-UICF算法的MAE值均小于傳統(tǒng)推薦算法的MAE值，這說明基于MT-UICF的推薦算法相比較于傳統(tǒng)推薦算法而言，改進(jìn)的算法具（a）（b）（d）（c）鄰居方法Pre鄰居方法Recall

桂林理工大學(xué)碩士學(xué)位論文38{f、g}，{f、i}，{g、i}。繼續(xù)連接生成候選頻繁3項(xiàng)集，包括{e、f、g}，{e、f、i}，{e、g、i}，{f、g、i}共4組。此時第2輪迭代結(jié)束。圖4.5地理場景-用戶興趣第二輪迭代③進(jìn)入第3輪迭代，掃描數(shù)據(jù)集然后計(jì)算候選頻繁3項(xiàng)集對應(yīng)的支持度，然后進(jìn)行剪枝，由于{e、f、g}、{e、f、i}和{e、g、i}的支持度只有0.25故被篩除，得到真正的頻繁3項(xiàng)集為{f、g、i}。由于此時再無法繼續(xù)進(jìn)行數(shù)據(jù)連接，故迭代結(jié)束。圖4.6地理場景-用戶興趣頻繁項(xiàng)集結(jié)果④得到最終結(jié)果為頻繁3項(xiàng)集{f、g、i}。4.2.2驗(yàn)證分析利用Python爬取陽朔縣的POI數(shù)據(jù)，并根據(jù)POI簽到數(shù)據(jù)獲取微博用戶行為數(shù)據(jù)并對爬取的數(shù)據(jù)進(jìn)行預(yù)處理，利用R調(diào)包的方法進(jìn)行關(guān)聯(lián)分析，選取1w條數(shù)據(jù)進(jìn)行訓(xùn)練。圖4.7陽朔縣部分POI數(shù)據(jù)C3{fgi}2{egi}1}e}{efi}1{efg}1interestsetsupportsupport{fgi}2interestset{fgi}interestsetC4L3C2L2{gi}2{fi}3{fg}2{ei}1{eg}2support{ef}1interestset{gi}3{fi}3{fg}3support{eg}2interestset{fgi}{efg}interestset{egi}{efi}C3


本文編號：3506284