隨著互聯(lián)網(wǎng)的發(fā)展,人們獲取信息的方式更加地豐富,獲得的信息量也在急劇地增長(zhǎng)。海量信息在滿足需求的同時(shí),也為人們帶來(lái)一些困擾,大量信息中的無(wú)效信息一方面干擾了人們對(duì)正常信息的判斷,另一方面也降低了人們對(duì)信息的處理效率。推薦系統(tǒng)是一種較好的應(yīng)對(duì)海量信息的解決方案,它可以通過(guò)一定的方式對(duì)信息進(jìn)行處理,將用戶真正感興趣的結(jié)果推薦給用戶,采用這種方式可以提升用戶對(duì)需求信息的獲取效率。協(xié)同過(guò)濾算法一般根據(jù)用戶的評(píng)價(jià)信息來(lái)推測(cè)用戶的喜好,但受到數(shù)據(jù)稀疏問(wèn)題的影響,許多時(shí)候無(wú)法得到較為理想的推薦結(jié)果;除此之外,一般協(xié)同推薦算法忽略了用戶興趣的動(dòng)態(tài)變化。考慮到上述問(wèn)題,本文提出了改進(jìn)后的協(xié)同過(guò)濾推薦算法。本文提出的算法主要融合了相似度傳遞、用戶興趣遷移、矩陣分解技術(shù)等用以解決上述問(wèn)題。首先,本文提出了基于項(xiàng)目相似度傳遞的協(xié)同推薦算法,該算法對(duì)相似度計(jì)算方法進(jìn)行了改進(jìn),首先對(duì)項(xiàng)目進(jìn)行信任關(guān)系建模,基于此來(lái)傳遞相似度,然后將這兩部分相似度關(guān)系進(jìn)行加權(quán)得到新的項(xiàng)目相似關(guān)系,將其應(yīng)用到項(xiàng)目的評(píng)分中。其次,本文提出了基于用戶興趣遷移的隱語(yǔ)義模型推薦算法,該算法引入時(shí)間函數(shù),重構(gòu)用戶的興趣模型,實(shí)現(xiàn)對(duì)傳統(tǒng)模型的修正... 

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
引言
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文章節(jié)安排
2 相關(guān)研究技術(shù)
    2.1 協(xié)同過(guò)濾算法
        2.1.1 基于內(nèi)存的協(xié)同過(guò)濾算法
        2.1.2 基于模型的協(xié)同過(guò)濾算法
    2.2 協(xié)同過(guò)濾算法存在的問(wèn)題
3 基于項(xiàng)目相似度傳遞的協(xié)同過(guò)濾推薦算法
    3.1 相似度計(jì)算方法
    3.2 問(wèn)題的提出
    3.3 改進(jìn)的項(xiàng)目相似度計(jì)算方法
        3.3.1 可信關(guān)系建模
        3.3.2 相似度傳遞的計(jì)算
    3.4 實(shí)驗(yàn)設(shè)計(jì)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
4 基于用戶興趣遷移的隱語(yǔ)義模型推薦算法
    4.1 隱語(yǔ)義模型
    4.2 用戶興趣遷移模型
    4.3 引入時(shí)間參數(shù)的隱語(yǔ)義模型
    4.4 實(shí)驗(yàn)設(shè)計(jì)與分析
        4.4.1 實(shí)驗(yàn)?zāi)康?br>        4.4.2 參數(shù)α值對(duì)RMSE的影響
        4.4.3 算法效果分析
    4.5 本章小結(jié)
5 基于相似度傳遞和時(shí)間權(quán)重的協(xié)同過(guò)濾
    5.1 引言
    5.2 混合推薦模式設(shè)計(jì)
        5.2.1 融入特征向量的混合推薦
        5.2.2 item-based協(xié)同過(guò)濾算法與LFM混合推薦算法
    5.3 實(shí)驗(yàn)結(jié)果及其分析
        5.3.1 權(quán)重因子β的確定
        5.3.2 算法效果分析
    5.4 本章小結(jié)
6 個(gè)性化電影推薦系統(tǒng)需求分析
    6.1 業(yè)務(wù)概述
    6.2 功能需求分析
        6.2.1 用戶子系統(tǒng)的功能需求分析
        6.2.2 電影推薦子系統(tǒng)的功能需求分析
        6.2.3 后臺(tái)管理子系統(tǒng)的功能需求分析
7 電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    7.1 系統(tǒng)設(shè)計(jì)目標(biāo)及原則
    7.2 軟件體系結(jié)構(gòu)
    7.3 推薦模塊類圖設(shè)計(jì)
    7.4 信息管理主要功能詳細(xì)設(shè)計(jì)
        7.4.1 用戶注冊(cè)設(shè)計(jì)
        7.4.2 系統(tǒng)登錄模塊設(shè)計(jì)
        7.4.3 系統(tǒng)管理模塊設(shè)計(jì)
        7.4.4 電影信息錄入模塊設(shè)計(jì)
        7.4.5 電影評(píng)論功能設(shè)計(jì)
    7.5 推薦系統(tǒng)運(yùn)行效果
        7.5.1 系統(tǒng)登錄界面
        7.5.2 用戶前端界面
        7.5.3 管理員頁(yè)面
    7.6 本章小結(jié)
8 總結(jié)與展望
    8.1 總結(jié)
    8.2 展望
參考文獻(xiàn)
在學(xué)研究成果
致謝
Abstract
摘要


【參考文獻(xiàn)】：
期刊論文
[1]基于Timed-HITS與協(xié)同過(guò)濾的混合推薦算法[J]. 孫艷蕊,陳月.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]一種基于信任機(jī)制的概率矩陣分解協(xié)同過(guò)濾推薦算法[J]. 王建芳,苗艷玲,韓鵬飛,劉永利.  小型微型計(jì)算機(jī)系統(tǒng). 2019(01)
[3]Randomized Latent Factor Model for High-dimensional and Sparse Matrices from Industrial Applications[J]. Mingsheng Shang,Xin Luo,Zhigang Liu,Jia Chen,Ye Yuan,MengChu Zhou.  IEEE/CAA Journal of Automatica Sinica. 2019(01)
[4]一種改進(jìn)相似度的協(xié)同過(guò)濾算法[J]. 于金霞,臧利明,王俊峰,湯永利.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]基于時(shí)間效應(yīng)與隱語(yǔ)義模型的高校圖書館的個(gè)性化推薦研究[J]. 李薛劍,劉夢(mèng)雅,海健強(qiáng),吳雪揚(yáng),余雪莉.  計(jì)算機(jī)應(yīng)用與軟件. 2018(05)
[6]基于雙層相似度的協(xié)同過(guò)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)
[7]基于改進(jìn)相似性度量的項(xiàng)目協(xié)同過(guò)濾推薦算法[J]. 于金明,孟軍,吳秋峰.  計(jì)算機(jī)應(yīng)用. 2017(05)
[8]基于隱式評(píng)分和相似度傳遞的學(xué)習(xí)資源推薦[J]. 付芬,豆育升,韓鵬,李耀輝.  計(jì)算機(jī)應(yīng)用研究. 2017(12)
[9]基于改進(jìn)相似度的協(xié)同過(guò)濾算法研究[J]. 李容,李明奇,郭文強(qiáng).  計(jì)算機(jī)科學(xué). 2016(12)
[10]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢(mèng)溪,王珊.  軟件學(xué)報(bào). 2017(03)

碩士論文
[1]基于大數(shù)據(jù)分析的推薦系統(tǒng)研究[D]. 房璐璐.北京郵電大學(xué) 2015



本文編號(hào)：3645913