協(xié)同過(guò)濾算法在電子商務(wù)中是一種有效推薦項(xiàng)目或服務(wù)的方法,比如天貓,亞馬遜等平臺(tái).推薦算法的主要目的是提高推薦精度的同時(shí),使用戶(hù)快速地發(fā)現(xiàn)心儀的項(xiàng)目.研究發(fā)現(xiàn),信息過(guò)載、信息過(guò)期、有效信息稀少等因素是導(dǎo)致推薦不準(zhǔn)確的重要因素.為了更好找到用戶(hù)感興趣的項(xiàng)目,本文以提高推薦精度為目標(biāo),通過(guò)引入取整的遺忘函數(shù)模擬興趣隨時(shí)間的變化規(guī)律并解決信息過(guò)期問(wèn)題.此外,通過(guò)多層網(wǎng)絡(luò)動(dòng)態(tài)聚類(lèi)模型深度挖掘有效信息解決信息稀少和信息過(guò)期問(wèn)題.(1)基于用戶(hù)興趣社區(qū)的個(gè)性化動(dòng)態(tài)推薦算法.隨著時(shí)間的流逝,用戶(hù)興趣漸漸發(fā)生變化.和近期的信息相比,過(guò)時(shí)的信息對(duì)用戶(hù)目前興趣的影響微弱,但合理地利用這些過(guò)期信息可以降低數(shù)據(jù)的稀疏度進(jìn)而提高推薦精度.基于此,本章提出一種基于用戶(hù)興趣社區(qū)的個(gè)性化推薦算法.該算法較好反映了興趣隨時(shí)間的變化規(guī)律及其對(duì)推薦精度的影響.首先,我們建立一個(gè)新的原始的評(píng)分矩陣,將取整的遺忘函數(shù)融入評(píng)分矩陣.其次,利用差分方程組將高相似度的用戶(hù)或項(xiàng)目聚到相同社區(qū)并且給出了該聚類(lèi)算法的Lyapunov穩(wěn)定性分析.最后,通過(guò)計(jì)算相似度,實(shí)時(shí)預(yù)測(cè)未知的信息.在各個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行大量的實(shí)驗(yàn),不同的評(píng)價(jià)指標(biāo)都證明了...

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 推薦算法研究背景和研究現(xiàn)狀
    1.2 動(dòng)態(tài)推薦算法研究背景和研究現(xiàn)狀
    1.3 本文的工作安排
第二章 基于用戶(hù)興趣社區(qū)的個(gè)性化動(dòng)態(tài)推薦算法
    2.1 動(dòng)態(tài)協(xié)同過(guò)濾算法
        2.1.1 新評(píng)分矩陣的建立
        2.1.2 社區(qū)劃分
        2.1.3 理論分析
        2.1.4 評(píng)分預(yù)測(cè)和推薦
        2.1.5 算法流程
    2.2 實(shí)驗(yàn)過(guò)程和結(jié)果
        2.2.1 數(shù)據(jù)集的描述和評(píng)價(jià)指標(biāo)
        2.2.2 興趣變化因子的選取
        2.2.3 推薦算法結(jié)果的比較
    2.3 本章小結(jié)
第三章 基于多層網(wǎng)絡(luò)動(dòng)態(tài)聚類(lèi)協(xié)同過(guò)濾推薦算法
    3.1 建立用戶(hù)項(xiàng)目屬性的多層網(wǎng)絡(luò)
        3.1.1 用戶(hù)層節(jié)點(diǎn)的邊權(quán)矩陣
        3.1.2 項(xiàng)目層節(jié)點(diǎn)的邊權(quán)矩陣
        3.1.3 層間節(jié)點(diǎn)的邊權(quán)矩陣
    3.2 多層網(wǎng)絡(luò)的聚類(lèi)
    3.3 理論分析
    3.4 基于預(yù)測(cè)評(píng)分的推薦
        3.4.1 相似度的測(cè)量
        3.4.2 Top-N推薦
    3.5 算法流程
    3.6 實(shí)驗(yàn)過(guò)程與結(jié)果分析
        3.6.1 評(píng)價(jià)指標(biāo)
        3.6.2 數(shù)據(jù)集
        3.6.3 推薦算法結(jié)果的比較
    3.7 本章小結(jié)
第四章 總結(jié)與展望
    4.1 總結(jié)
    4.2 展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果



本文編號(hào)：3780629