互聯(lián)網(wǎng)的發(fā)展與科技的進(jìn)步給人們生活帶來了極大便利,但同時也帶來了信息過載的問題。當(dāng)前解決信息過載的手段主要是個性化推薦系統(tǒng)技術(shù)。其中,協(xié)同過濾推薦技術(shù)自其提出之日起就始終是人們研究的重點。為提高推薦系統(tǒng)的推薦準(zhǔn)確性,許多學(xué)者通過引入新的影響因素或創(chuàng)新推薦模型來優(yōu)化推薦系統(tǒng)。近年來,越來越多的學(xué)者借助于二部圖理論對協(xié)同過濾模型進(jìn)行優(yōu)化。本文在二部圖理論和協(xié)同過濾思想之上,進(jìn)一步加入資源二次分配理論,構(gòu)建了準(zhǔn)確度較高的物品相似矩陣,進(jìn)一步優(yōu)化了協(xié)同過濾推薦技術(shù)。通過Movielens數(shù)據(jù)集的驗證可知,改進(jìn)后的推薦模型能夠明顯提高推薦準(zhǔn)確率。本文的主要研究成果如下:（1）構(gòu)建了低維度、高準(zhǔn)確性的物品-分類模型�；谄娈愔捣纸饫碚�,將原始評分矩陣轉(zhuǎn)化為物品在各個維度上的評分矩陣,每個維度可被視為物品的一個潛在分類。然后通過控制變量法對物品的潛在分類數(shù)進(jìn)行了優(yōu)化。通過對優(yōu)化后的物品-分類矩陣進(jìn)行分析可知,該分類結(jié)果是合理的,可以作為構(gòu)建物品-分類二部圖的基礎(chǔ)。（2）構(gòu)建了準(zhǔn)確度較高的物品相似矩陣,優(yōu)化了協(xié)同過濾算法。將所構(gòu)建的物品-分類矩陣映射為物品-分類二部圖,然后將物品對分類的評分轉(zhuǎn)換為二部... 

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究綜述
        1.2.1 國外研究進(jìn)展
        1.2.2 國內(nèi)研究進(jìn)展
    1.3 研究內(nèi)容和方法
        1.3.1 研究內(nèi)容
        1.3.2 研究方法與技術(shù)路線圖
    1.4 創(chuàng)新點
第二章 相關(guān)理論基礎(chǔ)
    2.1 二部圖相關(guān)理論及二部圖推薦算法梳理
        2.1.1 二部圖基本理論
        2.1.2 二部圖常用算法
    2.2 協(xié)同過濾推薦算法分析
        2.2.1 協(xié)同過濾推薦系統(tǒng)基本概念
        2.2.2 基于用戶的協(xié)同過濾算法建模
        2.2.3 基于物品的協(xié)同過濾算法建模
    2.3 資源二次分配理論分析
        2.3.1 基于二部圖的資源分配理論分析
        2.3.2 基于二部圖的資源二次分配過程分析
    2.4 奇異值分解理論分析
        2.4.1 奇異值分解基本理論
        2.4.2 奇異值分解的應(yīng)用
    2.5 本章小結(jié)
第三章 基于二部圖的協(xié)同過濾算法建模
    3.1 建模過程
    3.2 網(wǎng)絡(luò)關(guān)系建模
        3.2.1 基于奇異值分解的物品-分類模型構(gòu)建
        3.2.2 物品-分類二部圖構(gòu)建
    3.3 基于資源二次分配的協(xié)同過濾算法
        3.3.1 基于資源二次分配的相似矩陣構(gòu)建
        3.3.2 基于改進(jìn)相似矩陣的協(xié)同過濾算法
        3.3.3 算法復(fù)雜度分析
    3.4 推薦系統(tǒng)評測指標(biāo)的分析與選擇
        3.4.1 基于誤差的評測指標(biāo)分析
        3.4.2 基于混淆矩陣的評測指標(biāo)分析
    3.5 本章小結(jié)
第四章 模型驗證和結(jié)果分析
    4.1 Movielens數(shù)據(jù)集介紹及預(yù)處理
    4.2 篩選后的數(shù)據(jù)集分析
        4.2.1 評分?jǐn)?shù)據(jù)的頻數(shù)頻率分析
        4.2.2 用戶-電影評分矩陣熱力圖分析
    4.3 推薦系統(tǒng)模型參數(shù)優(yōu)化
        4.3.1 物品分類數(shù)的優(yōu)化和選擇
        4.3.2 最優(yōu)近鄰數(shù)的選擇
        4.3.3 物品-分類矩陣的合理性分析
        4.3.4 相似矩陣的合理性分析
    4.4 推薦結(jié)果分析與比較
        4.4.1 推薦結(jié)果分析
        4.4.2 topN推薦指標(biāo)分析
        4.4.3 評分預(yù)測指標(biāo)分析
    4.5 實踐應(yīng)用建議
    4.6 本章小結(jié)
第五章 結(jié)論及展望
    5.1 研究結(jié)論
    5.2 研究展望
參考文獻(xiàn)
致謝
附錄A
附錄B


【參考文獻(xiàn)】：
期刊論文
[1]面向大數(shù)據(jù)的移動數(shù)字圖書館情境化推薦系統(tǒng)研究[J]. 劉海鷗,陳晶,孫晶晶,張亞明.  圖書館工作與研究. 2018(09)
[2]一種帶標(biāo)簽的協(xié)同過濾廣告推薦算法[J]. 金紫嫣,張娟,李向軍,溫海平,張華薇.  計算機(jī)工程. 2018(04)
[3]結(jié)合概率矩陣分解的混合型推薦算法[J]. 楊豐瑞,鄭云俊,張昌.  計算機(jī)應(yīng)用. 2018(03)
[4]基于差異路徑權(quán)重的二部圖網(wǎng)絡(luò)推薦算法[J]. 高長元,段文彬,張樹臣.  計算機(jī)應(yīng)用研究. 2019(03)
[5]基于多權(quán)值的SlopeOne協(xié)同過濾算法[J]. 覃幸新,王榮波,黃孝喜,諶志群.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(06)
[6]融合信任關(guān)系和用戶項目二部圖的推薦算法[J]. 陳平華,楊凱.  計算機(jī)工程與應(yīng)用. 2018(04)
[7]數(shù)字圖書館推薦系統(tǒng)協(xié)同過濾算法改進(jìn)及實證分析[J]. 朱白.  圖書情報工作. 2017(09)
[8]融合社交網(wǎng)絡(luò)特征的協(xié)同過濾推薦算法[J]. 郭寧寧,王寶亮,侯永宏,常鵬.  計算機(jī)科學(xué)與探索. 2018(02)
[9]重塑“媒介”:行動者網(wǎng)絡(luò)中的新聞“算法”[J]. 姜紅,魯曼.  新聞記者. 2017(04)
[10]算法推送:信息私人定制的“個性化”圈套[J]. 郝雨,李林霞.  新聞記者. 2017(02)



本文編號：3695901