隨著互聯(lián)網(wǎng)的普及應(yīng)用,人們可以根據(jù)自身需求從網(wǎng)絡(luò)中獲取需要的文本、圖片以及視頻等信息,滿足了人們的多樣化信息需求。但是當(dāng)前的網(wǎng)絡(luò)中充斥著大量的無(wú)用信息,使得人們難以在短時(shí)間內(nèi)獲取到真正需求的信息。這就是隨著網(wǎng)絡(luò)發(fā)展而帶來(lái)的信息過(guò)載問(wèn)題,這種現(xiàn)象降低了人們獲取信息的效率,影響人們的網(wǎng)絡(luò)體驗(yàn)。很多企業(yè)以及研究機(jī)構(gòu)對(duì)此進(jìn)行了研究,并提出了不同的策略來(lái)解決信息過(guò)載的問(wèn)題。其中推薦系統(tǒng)是一種常用的方法,主要是根據(jù)用戶信息、興趣愛(ài)好以及用戶歷史行為數(shù)據(jù)等設(shè)計(jì)合適的推薦算法,然后推薦出與用戶喜好較為一致的信息,采用這種方式可以將用戶可能需要或者感興趣的東西直接推薦給用戶,節(jié)省了用戶巨大的時(shí)間和精力。協(xié)同推薦算法雖然得到了一定的應(yīng)用,但是也存在數(shù)據(jù)稀疏性、冷啟動(dòng)、推薦速度等亟需解決的問(wèn)題。本文主要針對(duì)以上三個(gè)問(wèn)題進(jìn)行研究與分析,研究的主要內(nèi)容包括:1本文基于粒子群優(yōu)化算法（PSO）對(duì)傳統(tǒng)的K-means算法進(jìn)行改進(jìn)。改進(jìn)后的算法（Deep-K-means算法）不會(huì)受到初始聚類中心的影響,同時(shí)也不會(huì)出現(xiàn)局部最優(yōu)的情況。該聚類算法具有較強(qiáng)的優(yōu)勢(shì),應(yīng)用在協(xié)同推薦算法上能夠有效解決數(shù)據(jù)稀疏性問(wèn)題,并能提高推薦... 

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 課題背景和課題來(lái)源
    1.2 研究現(xiàn)狀
        1.2.1 聚類算法研究
        1.2.2 推薦算法研究現(xiàn)狀
        1.2.3 協(xié)同推薦算法應(yīng)用的主要問(wèn)題
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文章節(jié)安排
2 研究關(guān)鍵技術(shù)
    2.1 Hadoop平臺(tái)
        2.1.1 HDFS分布式系統(tǒng)
        2.1.2 MapReduce分析
    2.2 K-means聚類算法
    2.3 幾種常見(jiàn)協(xié)同過(guò)濾算法介紹
        2.3.1 基于內(nèi)存的協(xié)同過(guò)濾算法
        2.3.2 基于模型的協(xié)同過(guò)濾算法
    2.4 相似度算法
    2.5 本章小結(jié)
3 Deep-K-means聚類算法改進(jìn)與設(shè)計(jì)
    3.1 聚類算法的主要問(wèn)題
    3.2 粒子群優(yōu)化算法
    3.3 Deep-K-means算法設(shè)計(jì)
        3.3.1 粒子群編碼方案
        3.3.2 粒子變異操作
        3.3.3 算法具體設(shè)計(jì)
    3.4 本章小結(jié)
4 基于Hadoop平臺(tái)的改進(jìn)算法實(shí)現(xiàn)
    4.1 解決冷啟動(dòng)問(wèn)題的推薦算法設(shè)計(jì)
    4.2 稀疏數(shù)據(jù)處理
    4.3 高維數(shù)據(jù)度量
    4.4 Deep-K-means的并行化處理
        4.4.1 并行化處理要點(diǎn)
        4.4.2 并行PSO算法
        4.4.3 并行K-means算法
        4.4.4 并行K-means算法設(shè)計(jì)
    4.5 推薦算法的并行化實(shí)現(xiàn)
    4.6 本章小結(jié)
5 實(shí)驗(yàn)與實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明
    5.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    5.4 實(shí)驗(yàn)結(jié)果分析
        5.4.1 聚類算法效果對(duì)比分析
        5.4.2 最優(yōu)適應(yīng)值對(duì)比
        5.4.3 聚類算法時(shí)間對(duì)比分析
        5.4.4 高維數(shù)據(jù)度量公式驗(yàn)證實(shí)驗(yàn)
        5.4.5 最近鄰數(shù)選擇實(shí)驗(yàn)
        5.4.6 冷啟動(dòng)問(wèn)題算法實(shí)驗(yàn)
        5.4.7 Hadoop集群加速比實(shí)驗(yàn)
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于長(zhǎng)尾理論的物品協(xié)同過(guò)濾Top-N推薦算法[J]. 劉向舉,袁煦聰,劉鵬程.  齊齊哈爾大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]改進(jìn)的基于物品的協(xié)同過(guò)濾推薦算法[J]. 石京京,肖迎元,鄭文廣.  天津理工大學(xué)學(xué)報(bào). 2019(01)
[3]融合用戶興趣分布變化和特征差異的協(xié)同過(guò)濾推薦算法[J]. 畢孝儒.  計(jì)算機(jī)時(shí)代. 2019(01)
[4]一種基于用戶的協(xié)同過(guò)濾推薦算法[J]. 張雙慶.  電腦知識(shí)與技術(shù). 2019(01)
[5]結(jié)合物品類型和密度峰值聚類的協(xié)同過(guò)濾推薦算法[J]. 陳帆,孫自強(qiáng).  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[6]基于信任聚類的協(xié)同過(guò)濾推薦算法[J]. 王菲,黃剛,朱崢宇.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(05)
[7]復(fù)雜情境感知下用戶聚類協(xié)同推薦算法[J]. 畢孝儒.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(34)
[8]融合社交網(wǎng)絡(luò)與關(guān)鍵用戶的并行協(xié)同過(guò)濾推薦算法[J]. 肖成龍,王寧,王永貴.  計(jì)算機(jī)應(yīng)用研究. 2019(10)
[9]基于改進(jìn)聚類和矩陣分解的協(xié)同過(guò)濾推薦算法[J]. 王永貴,宋真真,肖成龍.  計(jì)算機(jī)應(yīng)用. 2018(04)
[10]融合協(xié)同過(guò)濾的線性回歸推薦算法[J]. 龐海龍,趙輝,李萬(wàn)龍,馬瑩,崔巖.  計(jì)算機(jī)應(yīng)用研究. 2019(05)

碩士論文
[1]改進(jìn)的螢火蟲算法及其應(yīng)用研究[D]. 王艷.西安理工大學(xué) 2018
[2]相關(guān)性加權(quán)K-means算法的改進(jìn)及其應(yīng)用[D]. 吳斌.江西理工大學(xué) 2018
[3]基于近鄰的聚類算法研究[D]. 馮柳偉.北京交通大學(xué) 2018
[4]K-means算法的改進(jìn)及其在文本聚類中的應(yīng)用研究[D]. 李敏.江南大學(xué) 2018
[5]基于SVD和用戶聚類的協(xié)同過(guò)濾算法研究[D]. 王沖.青島理工大學(xué) 2018
[6]基于用戶興趣變化和排序的個(gè)性化推薦[D]. 趙春秀.大連海事大學(xué) 2018
[7]基于Spark大數(shù)據(jù)處理的協(xié)同過(guò)濾推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 王娜.蘭州大學(xué) 2017
[8]社交網(wǎng)絡(luò)熱點(diǎn)推薦算法的研究與應(yīng)用[D]. 張乘斐.電子科技大學(xué) 2018
[9]基于大數(shù)據(jù)的協(xié)同過(guò)濾推薦算法研究[D]. 曹萍.南京農(nóng)業(yè)大學(xué) 2014
[10]個(gè)性化推薦系統(tǒng)優(yōu)化及其大數(shù)據(jù)處理研究[D]. 李星.哈爾濱工程大學(xué) 2014



本文編號(hào)：3669090