發(fā)布時間：2017-08-03 22:02

  本文關鍵詞：基于用戶行為協(xié)同過濾推薦算法

  更多相關文章： 協(xié)同過濾 聚類 降維 游戲道具 推薦算法

【摘要】：隨著互聯(lián)網(wǎng)的更加普及和信息科技的快速發(fā)展,我們已經(jīng)邁入到信息過載的時代,游戲行業(yè)產(chǎn)生的數(shù)據(jù)同樣成指數(shù)級別增長。游戲中提供的道具信息量快速增加,用戶經(jīng)常會迷失在大量的道具信息中,無法準確快速地找到自己需要的道具,對道具推薦系統(tǒng)的需求越來越迫切。推薦系統(tǒng)扮演了售貨員的角色,通過向用戶推薦道具,幫助用戶順利購買到自己需要的道具。推薦系統(tǒng)具有良好的發(fā)展及應用前景,未來將吸引越來越多的關注。協(xié)同過濾是目前應用最為廣泛的推薦系統(tǒng)技術(shù)之一,根據(jù)計算角度不同將其歸納為基于用戶的協(xié)同過濾和基于項目的協(xié)同過濾兩種算法。與傳統(tǒng)的基于內(nèi)容的協(xié)同過濾單純通過計算相似度給出推薦結(jié)果不同,以上兩種協(xié)同過濾算法重點關注用戶和項目的關聯(lián)關系,將具有相同興趣偏好的相似用戶對項目的偏愛程度,生成推薦列表,推薦給用戶。在使用協(xié)同過濾時,仍然有一些問題尚待解決：當面對超大規(guī)模數(shù)據(jù)時,協(xié)同過濾算法面臨著數(shù)據(jù)稀疏、推薦精度和擴展性等問題。針對上述問題,結(jié)合游戲行業(yè)背景,本文提出了一種改進的協(xié)同過濾算法——基于用戶行為的游戲道具推薦算法。首先,我們使用因子分析對用戶行為原始數(shù)據(jù)做降維處理,得到若干個不相關的復合屬性。根據(jù)降維得到的用戶屬性,使用k-means聚類算法對用戶進行分類,得到k個相似用戶的集合。接下來,使用改進的協(xié)同過濾技術(shù)生存推薦集合。協(xié)同過濾模塊包括兩個步驟：第一步,提取購買相同項目類別道具的用戶-項目類別矩陣；第二步,使用Jaccard距離公式計算道具和道具類別的相似度；第三步,生成推薦列表,取前N項推薦給用戶。最后,以傳統(tǒng)的基于項目的協(xié)同過濾算法做對比實驗,驗證本文提出的基于用戶行為的游戲道具推薦算法的優(yōu)化效果。在本算法中,使用因子分析對數(shù)據(jù)降維,提高矩陣密度；通過將用戶的推薦計算限定在相似用戶集合中進行,有效地解決了算法的可擴展性問題；由于有相同道具感興趣的用戶具有相似的用戶行為,故而提高了推薦的精度。
【關鍵詞】：協(xié)同過濾 聚類 降維 游戲道具 推薦算法
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-12
• 1 緒論12-14
• 1.1 研究背景及意義12
• 1.2 國內(nèi)外研究現(xiàn)狀12-13
• 1.3 本文研究內(nèi)容13-14
• 2 游戲行業(yè)推薦系統(tǒng)14-29
• 2.1 游戲行業(yè)簡介14
• 2.2 推薦系統(tǒng)簡介14-15
• 2.3 協(xié)同過濾推薦15-22
• 2.3.1 協(xié)同過濾算法組成模塊16
• 2.3.2 協(xié)同過濾工作流程16-18
• 2.3.3 協(xié)同過濾推薦18-21
• 2.3.4 協(xié)同過濾面臨的挑戰(zhàn)21-22
• 2.4 其他常用推薦算法22-26
• 2.4.1 基于內(nèi)容的推薦算法22-24
• 2.4.2 基于圖的推薦算法24-25
• 2.4.3 貝葉斯網(wǎng)絡25
• 2.4.4 聚類25-26
• 2.5 推薦系統(tǒng)測評標準26-28
• 2.5.1 誤差標準26
• 2.5.2 命中率標準26-27
• 2.5.3 其他標準27-28
• 2.6 本章小結(jié)28-29
• 3 基于用戶行為的游戲道具推薦算法29-36
• 3.1 優(yōu)化背景及目標29
• 3.1.1 優(yōu)化背景29
• 3.1.2 優(yōu)化目標29
• 3.2 改進的協(xié)同過濾推薦系統(tǒng)29-30
• 3.2.1 新算法的提出29-30
• 3.3 推薦系統(tǒng)框架設計30-31
• 3.4 改進的推薦算法31-35
• 3.4.1 推薦算法組成模塊31-33
• 3.4.2 算法設計和說明33-35
• 3.5 本章小結(jié)35-36
• 4 實驗設計和結(jié)果分析36-49
• 4.1 實驗數(shù)據(jù)36
• 4.2 實驗設計36-37
• 4.2.1 度量標準36-37
• 4.2.2 實驗方案37
• 4.3 實驗過程37-46
• 4.4 實驗結(jié)果46-48
• 4.5 實驗結(jié)果分析48
• 4.6 本章小結(jié)48-49
• 5 總結(jié)與展望49-50
• 5.1 本文總結(jié)49
• 5.2 工作展望49-50
• 參考文獻50-54
• 致謝54-55
• 在學校期間發(fā)表的學術(shù)論文及其他科研成果55

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 吳毅濤;張興明;王興茂;李晗;;基于用戶模糊相似度的協(xié)同過濾算法[J];通信學報;2016年01期

2 歐陽劍;曹紅兵;;基于聯(lián)機公共檢索目錄的讀者隱性信息行為個性化書目推薦引擎構(gòu)建[J];情報理論與實踐;2012年11期

3 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計算機工程與應用;2012年07期

4 張猛,王大玲,于戈;一種基于自動閾值發(fā)現(xiàn)的文本聚類方法[J];計算機研究與發(fā)展;2004年10期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 毛國君;數(shù)據(jù)挖掘技術(shù)與關聯(lián)規(guī)則挖掘算法研究[D];北京工業(yè)大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 王霞;協(xié)同過濾在電子商務推薦系統(tǒng)中的應用研究[D];河海大學;2003年

，

本文編號：616501