發(fā)布時(shí)間：2022-01-19 21:46

　　互聯(lián)網(wǎng)技術(shù)飛速發(fā)展產(chǎn)生的海量數(shù)據(jù)讓用戶很難快速高效的查找到有價(jià)值的信息,推薦系統(tǒng)因?yàn)榭梢詭椭脩艚鉀Q這一難題而被廣泛研究。協(xié)同過濾的算法因其簡便、易實(shí)現(xiàn)且推薦效果好成為主流的推薦技術(shù)。但其推薦性能往往因?yàn)橛脩舨僮鲾?shù)據(jù)過于稀疏受到影響,不能為用戶產(chǎn)生合理的推薦原因也會(huì)影響用戶的體驗(yàn)度。針對上述問題,本文提出了融合標(biāo)簽權(quán)重的個(gè)性化協(xié)同過濾推薦算法。首先,根據(jù)用戶-項(xiàng)目評分矩陣以及項(xiàng)目標(biāo)簽,采用TF-IDF的方法計(jì)算用戶的標(biāo)簽權(quán)重矩陣,然后分別采用三種不同的方法模型進(jìn)行實(shí)驗(yàn):1、結(jié)合線性回歸模型的個(gè)性化協(xié)同過濾推薦算法,根據(jù)用戶標(biāo)簽權(quán)重矩陣,結(jié)合用戶-項(xiàng)目評分矩陣構(gòu)建線性回歸模型,采用梯度下降的方法最小化代價(jià)函數(shù)的值,得到項(xiàng)目標(biāo)簽權(quán)重矩陣。然后將用戶和項(xiàng)目的標(biāo)簽權(quán)重矩陣回代入線性回歸模型,得到用戶對所有未評分項(xiàng)目的預(yù)測評分,采用SlopeOne算法原理,計(jì)算預(yù)測評分同實(shí)際評分的差值平均,對預(yù)測結(jié)果進(jìn)行調(diào)整得到最終的預(yù)測評分,對結(jié)果進(jìn)行排序并推薦Top-N的項(xiàng)目給目標(biāo)用戶。2、基于近鄰用戶的協(xié)同過濾推薦算法,首先采用近鄰傳播算法對用戶進(jìn)行聚類,在聚類結(jié)果中尋找目標(biāo)用戶的近鄰用戶集,根據(jù)近鄰用戶... 

【文章來源】：新疆大學(xué)新疆維吾爾自治區(qū) 211工程院校

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
        1.1.1 課題研究背景
        1.1.2 課題研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 協(xié)同過濾推薦系統(tǒng)研究現(xiàn)狀
        1.2.3 基于標(biāo)簽的推薦系統(tǒng)研究現(xiàn)狀
    1.3 文章組織結(jié)構(gòu)
        1.3.1 主要研究內(nèi)容
        1.3.2 主要?jiǎng)?chuàng)新點(diǎn)
        1.3.3 論文組織結(jié)構(gòu)
第二章 推薦系統(tǒng)相關(guān)技術(shù)
    2.1 推薦系統(tǒng)相關(guān)理論與技術(shù)
    2.2 數(shù)據(jù)處理技術(shù)
        2.2.1 標(biāo)簽預(yù)處理
        2.2.2 聚類
        2.2.3 相似度
        2.2.4 評價(jià)標(biāo)準(zhǔn)
第三章 結(jié)合線性回歸模型的個(gè)性化協(xié)同過濾推薦算法
    3.1 推薦模型的構(gòu)建
        3.1.1 構(gòu)建線性模型
        3.1.2 構(gòu)建代價(jià)函數(shù)
        3.1.3 梯度下降算法
        3.1.4 SlopeOne算法
    3.2 算法設(shè)計(jì)
        3.2.1 算法描述
        3.2.2 算法流程圖
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 算法評估標(biāo)準(zhǔn)
        3.3.3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
    3.4 本章小結(jié)
第四章 基于近鄰用戶的協(xié)同過濾推薦算法
    4.1 推薦模型的構(gòu)建
        4.1.1 聚類
        4.1.2 相似度權(quán)重計(jì)算
        4.1.3 產(chǎn)生推薦
    4.2 算法設(shè)計(jì)
        4.2.1 算法描述
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 推薦算法數(shù)據(jù)集
        4.3.2 評價(jià)指標(biāo)
        4.3.3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
    4.4 本章小結(jié)
    4.5 兩種算法模型的比較
        4.5.1 兩種算法的異同點(diǎn)
        4.5.2 兩種算法的優(yōu)缺點(diǎn)
第五章 兩種算法模型的混合推薦
    5.1 推薦模型的構(gòu)建
    5.2 算法設(shè)計(jì)
        5.2.1 算法描述
    5.3 實(shí)驗(yàn)結(jié)果及分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.2 算法評估標(biāo)準(zhǔn)
        5.3.3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄:文中部分程序代碼
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于標(biāo)簽權(quán)重的協(xié)同過濾推薦算法[J]. 雷曼,龔琴,王紀(jì)超,王保群.  計(jì)算機(jī)應(yīng)用. 2019(03)
[2]基于標(biāo)簽信息特征相似性的協(xié)同過濾個(gè)性化推薦[J]. 何明,要?jiǎng)P升,楊芃,張久伶.  計(jì)算機(jī)科學(xué). 2018(S1)
[3]基于標(biāo)簽聚類與項(xiàng)目主題的協(xié)同過濾推薦算法[J]. 李昊陽,符云清.  計(jì)算機(jī)科學(xué). 2018(04)
[4]融合協(xié)同過濾的線性回歸推薦算法[J]. 龐海龍,趙輝,李萬龍,馬瑩,崔巖.  計(jì)算機(jī)應(yīng)用研究. 2019(05)
[5]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[6]基于標(biāo)簽和PageRank的重要微博用戶推薦算法[J]. 王嶸冰,安維凱,馮勇,徐紅艷.  計(jì)算機(jī)科學(xué). 2018(02)
[7]推薦系統(tǒng)冷啟動(dòng)問題解決策略研究[J]. 喬雨,李玲娟.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(02)
[8]基于異構(gòu)網(wǎng)絡(luò)面向多標(biāo)簽系統(tǒng)的推薦模型研究[J]. 王瑜,武延軍,吳敬征,劉曉燕.  軟件學(xué)報(bào). 2017(10)
[9]基于標(biāo)簽優(yōu)化的協(xié)同過濾推薦算法[J]. 張景龍,黃夢醒,張雨,吳慶州.  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[10]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學(xué)報(bào). 2018(02)

博士論文
[1]協(xié)同過濾技術(shù)及其在推薦系統(tǒng)中的應(yīng)用研究[D]. 冷亞軍.合肥工業(yè)大學(xué) 2013

碩士論文
[1]基于協(xié)同過濾算法的個(gè)性化圖書推薦系統(tǒng)的研究與實(shí)現(xiàn)[D]. 劉雨聲.重慶理工大學(xué) 2018
[2]協(xié)同過濾技術(shù)中的數(shù)據(jù)預(yù)處理研究[D]. 劉杰.大連理工大學(xué) 2018



本文編號：3597615