面對海量的信息資源,想快速獲取自身需要的信息往往要花費(fèi)大量時(shí)間。推薦系統(tǒng)結(jié)合了用戶的行為信息和自身的興趣特點(diǎn),直接向用戶推薦可能感興趣的信息,節(jié)省了篩選信息的時(shí)間,可以較好地解決信息過載問題。但目前推薦領(lǐng)域存在著冷啟動(dòng)、數(shù)據(jù)稀疏、推薦準(zhǔn)確度低、擴(kuò)展性較差等問題。傳統(tǒng)的基于內(nèi)容的推薦算法往往具有較低的準(zhǔn)確性,而協(xié)同過濾推薦算法中普遍存在數(shù)據(jù)稀疏性和項(xiàng)目冷啟動(dòng)問題。為解決上述問題,提出了一種融合內(nèi)容與協(xié)同矩陣分解技術(shù)的混合推薦算法。本文算法實(shí)現(xiàn)了在共同的低維空間中分解內(nèi)容和協(xié)同矩陣,計(jì)算用戶偏好相似性并形成權(quán)重矩陣,同時(shí)保留數(shù)據(jù)的局部結(jié)構(gòu)。在內(nèi)容方面利用一種加權(quán)技術(shù)來度量詞匯在文本中的重要程度。在參數(shù)優(yōu)化方面利用一種基于乘法更新規(guī)則的迭代方法,以此提高學(xué)習(xí)能力。在目標(biāo)優(yōu)化函數(shù)中,利用超參數(shù)控制各個(gè)部分的重要程度,以達(dá)到最優(yōu)解。最后采用真實(shí)數(shù)據(jù)集對該算法進(jìn)行驗(yàn)證與分析。實(shí)驗(yàn)結(jié)果表明,該算法的兩個(gè)評價(jià)指標(biāo)在數(shù)值上均有不同程度的提高,優(yōu)于其他具有代表性的項(xiàng)目冷啟動(dòng)推薦算法,證明該算法有效解決了項(xiàng)目冷啟動(dòng)問題,緩解了數(shù)據(jù)稀疏性,提高了推薦準(zhǔn)確度。該論文有圖19幅,表4個(gè),參考文獻(xiàn)54篇。

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
變量注釋表
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 推薦系統(tǒng)理論及相關(guān)算法
    2.1 推薦系統(tǒng)簡介
    2.2 推薦算法分類
    2.3 相似度計(jì)算方法
    2.4 評價(jià)指標(biāo)
    2.5 本章小結(jié)
3 融合內(nèi)容與矩陣分解的混合推薦算法
    3.1 相關(guān)技術(shù)及基本原理
    3.2 算法描述
    3.3 算法流程
    3.4 本章小結(jié)
4 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 數(shù)據(jù)集描述
    4.3 實(shí)驗(yàn)設(shè)置
    4.4 對比算法
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
作者簡歷
學(xué)位論文數(shù)據(jù)集



本文編號：3744556