本文關(guān)鍵詞：基于評(píng)分矩陣的推薦算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：由于評(píng)分?jǐn)?shù)據(jù)源的規(guī)模不斷增長(zhǎng),在數(shù)據(jù)信息推薦的過(guò)程中,計(jì)算時(shí)間以及精度方面的問(wèn)題亟待解決,提高推薦結(jié)果的精確度以及降低誤差率,在推薦系統(tǒng)方面是很有意義的。在文中進(jìn)行了相關(guān)的研究,主要做的工作有以下3個(gè)方面。第一,文中在數(shù)據(jù)實(shí)驗(yàn)的基礎(chǔ)上,得出基于用戶的協(xié)同過(guò)濾推薦算法(User Collaborative filtering recommendation algorithm,UserCF)和基于物品的協(xié)同過(guò)濾推薦算法(Item Collaborative filtering recommendation algorithm,ItemCF)的特性,并針對(duì)評(píng)分矩陣數(shù)據(jù)集中的用戶量和物品量的變化趨勢(shì)采用以上兩種過(guò)濾算法進(jìn)行實(shí)驗(yàn)分析。結(jié)果表明,根據(jù)評(píng)分?jǐn)?shù)據(jù)特征選擇合適的過(guò)濾算法,能夠使算法的效率更高,更好的達(dá)到推薦的目的。第二,在C++語(yǔ)言的環(huán)境下編寫程序,以評(píng)分矩陣為數(shù)據(jù)源,計(jì)算UserCF和ItemCF算法在不同K值下的準(zhǔn)確率、召回率、覆蓋率和新穎度值,通過(guò)四個(gè)評(píng)測(cè)指標(biāo)的實(shí)驗(yàn)來(lái)驗(yàn)證UserCF和ItemCF算法的特點(diǎn)。通過(guò)數(shù)據(jù)實(shí)驗(yàn)和經(jīng)驗(yàn)總結(jié)法,分析UserCF和ItemCF的算法特征。根據(jù)UserCF和ItemCF算法的特點(diǎn),分析了適用于不同場(chǎng)景的推薦算法的性能,提出了基于評(píng)分矩陣的推薦算法。第三,通過(guò)計(jì)算MAE的值來(lái)確定文中算法的誤差率和精確度。完成基于MovieLens評(píng)分?jǐn)?shù)據(jù)的實(shí)驗(yàn)并得出結(jié)論,根據(jù)矩陣特征來(lái)先判斷使用何種算法,然后計(jì)算相似度并進(jìn)行推薦,能達(dá)到理想的推薦效果,且時(shí)間復(fù)雜度有所降低。
【關(guān)鍵詞】：信息推薦 評(píng)分矩陣 協(xié)同過(guò)濾
【學(xué)位授予單位】：重慶師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 中文摘要5-6
• 英文摘要6-9
• 1 緒論9-13
• 1.1 研究背景與研究意義9-10
• 1.2 推薦系統(tǒng)概述10-12
• 1.2.1 推薦系統(tǒng)現(xiàn)狀概述10-11
• 1.2.2 推薦系統(tǒng)研究成果概述11-12
• 1.2.3 推薦系統(tǒng)面臨問(wèn)題概述12
• 1.3 文章的結(jié)構(gòu)安排12-13
• 2 推薦系統(tǒng)及算法分析13-23
• 2.1 推薦系統(tǒng)概述13-14
• 2.2 推薦系統(tǒng)的總體框架14-16
• 2.3 推薦系統(tǒng)算法分類16-21
• 2.3.1 協(xié)同過(guò)濾推薦算法16-18
• 2.3.2 基于內(nèi)容推薦18-19
• 2.3.3 基于關(guān)聯(lián)規(guī)則推薦19
• 2.3.4 基于知識(shí)推薦19-20
• 2.3.5 基于標(biāo)簽的推薦系統(tǒng)20
• 2.3.6 組合推薦20-21
• 2.4 推薦系統(tǒng)的未來(lái)研究趨勢(shì)21-22
• 2.5 本章小結(jié)22-23
• 3 協(xié)同過(guò)濾算法及評(píng)測(cè)指標(biāo)23-37
• 3.1 協(xié)同過(guò)濾算法概述23-26
• 3.1.1 協(xié)同過(guò)濾算法的工作原理24
• 3.1.2 協(xié)同過(guò)濾的研究?jī)?nèi)容24-26
• 3.2 基于用戶的協(xié)同過(guò)濾算法的應(yīng)用26-29
• 3.3 基于物品的協(xié)同過(guò)濾算法的應(yīng)用29-31
• 3.4 評(píng)測(cè)指標(biāo)研究及實(shí)驗(yàn)31-36
• 3.4.1 準(zhǔn)確率32-33
• 3.4.2 召回率33
• 3.4.3 覆蓋率33
• 3.4.4 新穎度33-34
• 3.4.5 各評(píng)測(cè)指標(biāo)的實(shí)現(xiàn)34-36
• 3.5 本章小結(jié)36-37
• 4 基于評(píng)分矩陣的推薦算法37-49
• 4.1 試驗(yàn)數(shù)據(jù)與評(píng)分矩陣37-38
• 4.2 算法的度量標(biāo)準(zhǔn)38-40
• 4.3 推薦算法的改進(jìn)40-42
• 4.4 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析42-48
• 4.4.1 實(shí)驗(yàn)設(shè)計(jì)43-45
• 4.4.2 評(píng)分的預(yù)測(cè)誤差值45-47
• 4.4.3 實(shí)驗(yàn)結(jié)果分析47-48
• 4.5 本章小結(jié)48-49
• 5 總結(jié)及展望49-51
• 5.1 本文工作總結(jié)49
• 5.2 未來(lái)工作展望49-51
• 參考文獻(xiàn)51-54
• 附錄A54-55
• 致謝55

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時(shí)間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁(yè)面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會(huì)頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動(dòng)商務(wù)個(gè)性化推薦系統(tǒng)[A];社會(huì)經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第17屆學(xué)術(shù)年會(huì)論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號(hào)：505889