互聯(lián)網(wǎng)和科學(xué)技術(shù)的發(fā)展不斷地降低物品的生產(chǎn)成本,致使物品空間迅速膨脹,長(zhǎng)尾物品越來(lái)越多;物質(zhì)世界的日益豐富,使得人們對(duì)個(gè)性化的要求也越來(lái)越高,而不再是從眾地消費(fèi)熱門物品。但在信息的汪洋大海中,人們很難發(fā)掘自己感興趣的長(zhǎng)尾物品,長(zhǎng)尾市場(chǎng)也難以定位到合適的用戶群體。為了解決信息過載和不對(duì)稱的問題,推薦系統(tǒng)應(yīng)運(yùn)而生,但目前常見的推薦算法大都傾向于為用戶推薦熱門產(chǎn)品。因此,構(gòu)建長(zhǎng)尾物品個(gè)性化推薦模型具有十分重要的現(xiàn)實(shí)意義。本文在MovieLens數(shù)據(jù)集上進(jìn)行長(zhǎng)尾物品推薦研究。針對(duì)用戶物品矩陣數(shù)據(jù)所擁有的稀疏性、物品流行度分布有偏性特點(diǎn),使用ITCC雙聚類和K-means聚類算法對(duì)其進(jìn)行聚類。實(shí)證分析結(jié)果表明,聚類算法能有效地提高子用戶物品矩陣的稠密度和長(zhǎng)尾物品的流行度,并且以聚類方法作為基于物品的協(xié)同過濾算法的預(yù)處理步驟,能提升長(zhǎng)尾物品的推薦效果。其次,面對(duì)隱反饋用戶物品矩陣數(shù)據(jù)缺少明確的正負(fù)反饋信息的問題和推薦長(zhǎng)尾物品的需求,本文探索改進(jìn)基于隱語(yǔ)義模型的協(xié)同過濾算法:對(duì)于用戶物品矩陣中的每個(gè)用戶物品對(duì),根據(jù)有無(wú)歷史交互記錄猜測(cè)用戶對(duì)物品是否感興趣,并根據(jù)物品的流行度給出猜測(cè)的置信度。這樣的改...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 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 本文結(jié)構(gòu)與創(chuàng)新點(diǎn)
第二章 數(shù)據(jù)來(lái)源及描述性分析
    2.1 數(shù)據(jù)來(lái)源及預(yù)處理
    2.2 變量說明與問題解釋
    2.3 描述性分析
第三章 基于聚類和近鄰的協(xié)同過濾
    3.1 模型評(píng)價(jià)準(zhǔn)則
    3.2 聚類算法
        3.2.1 ITCC雙聚類
        3.2.2 K-means聚類
    3.3 基于近鄰的協(xié)同過濾
        3.3.1 基于用戶的協(xié)同過濾
        3.3.2 基于物品的協(xié)同過濾
    3.4 實(shí)證分析
第四章 基于隱語(yǔ)義模型的協(xié)同過濾
    4.1 隱語(yǔ)義模型及存在的不足
    4.2 改進(jìn)的隱語(yǔ)義模型
        4.2.1 改進(jìn)的隱語(yǔ)義模型
        4.2.2 交替最小二乘算法
    4.3 模擬研究
        4.3.1 模擬用戶物品矩陣數(shù)據(jù)
        4.3.2 參數(shù)選擇
        4.3.3 模型比較
    4.4 實(shí)證分析
        4.4.1 參數(shù)選擇
        4.4.2 模型比較
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3774399