發(fā)布時(shí)間：2021-01-22 09:46

　　隨著信息系統(tǒng)規(guī)模的擴(kuò)大和電子商務(wù)的快速發(fā)展,用戶數(shù)量和項(xiàng)目資源數(shù)量急劇增加,用戶評(píng)分矩陣規(guī)模急劇增大,如何處理高維矩陣,且應(yīng)對(duì)數(shù)據(jù)稀疏性問題,增強(qiáng)推薦系統(tǒng)的可擴(kuò)展性以及提升推薦算法的實(shí)時(shí)性,成為當(dāng)前研究的重點(diǎn)。本研究融合本體和降維兩種技術(shù),試圖解決上述問題。研究提出基于本體和降維技術(shù)的協(xié)同過濾（CF）推薦算法。以電影為例,利用電影本體庫（MO）,計(jì)算基于領(lǐng)域本體的項(xiàng)目語義相似度,融合基于奇異值分解（SVD）評(píng)分矩陣的項(xiàng)目相似性,確定兩者的權(quán)重因子,產(chǎn)生基于項(xiàng)目的預(yù)測(cè)評(píng)分;再融合基于用戶的預(yù)測(cè)評(píng)分,確定融合因子,產(chǎn)生最終預(yù)測(cè)評(píng)分,生成推薦。這種算法不同于傳統(tǒng)CF算法只考慮用戶對(duì)項(xiàng)目的評(píng)分,引入基于本體的項(xiàng)目語義相似度,考慮項(xiàng)目自身屬性對(duì)用戶產(chǎn)生評(píng)分的影響,以此來調(diào)和項(xiàng)目相似度,降低評(píng)分矩陣數(shù)據(jù)稀疏性的影響,提高推薦準(zhǔn)確度。同時(shí),針對(duì)傳統(tǒng)CF算法的可擴(kuò)展性問題,使用期望最大化（EM）算法對(duì)用戶-項(xiàng)目評(píng)分進(jìn)行聚類,將相似的用戶、項(xiàng)目劃分成簇（Cluster）,同簇間的對(duì)象相似度較高,不同簇間的對(duì)象相似度較低,在獲取最近鄰時(shí),不需要遍歷數(shù)據(jù)集中所有的對(duì)象。從而大大降低了計(jì)算時(shí)間,提高實(shí)時(shí)性和增... 

【文章來源】：武漢科技大學(xué)湖北省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Amazon推薦頁面

【參考文獻(xiàn)】：
期刊論文
[1]基于本體的語義相似度計(jì)算研究[J]. 張克亮,李芊芊.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2019(02)
[2]基于數(shù)據(jù)雙重優(yōu)化聚類的協(xié)同過濾推薦算法[J]. 王藝霏,彭柏.  信息技術(shù). 2018(06)
[3]基于高斯模型和概率矩陣分解的混合推薦算法[J]. 何慧.  統(tǒng)計(jì)與決策. 2018(03)
[4]一種融合聚類與用戶興趣偏好的協(xié)同過濾推薦算法[J]. 何明,孫望,肖潤,劉偉世.  計(jì)算機(jī)科學(xué). 2017(S2)
[5]基于社會(huì)化媒體情境的多維協(xié)同智能推薦[J]. 盧志剛,孫亞丹.  計(jì)算機(jī)應(yīng)用. 2016(03)
[6]基于PCA降維的協(xié)同過濾推薦算法[J]. 李遠(yuǎn)博,曹菡.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(02)
[7]基于粒子群優(yōu)化和EM算法的圖像聚類研究[J]. 湯崢,宋余慶,劉哲.  小型微型計(jì)算機(jī)系統(tǒng). 2015(07)
[8]基于位置的社會(huì)化網(wǎng)絡(luò)推薦系統(tǒng)[J]. 劉樹棟,孟祥武.  計(jì)算機(jī)學(xué)報(bào). 2015(02)
[9]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識(shí)別與人工智能. 2014(08)
[10]電影本體的構(gòu)建與一致性分析[J]. 高小龍,朱信忠,趙建民,曹存根,徐慧英,吳德.  計(jì)算機(jī)應(yīng)用. 2014(08)

碩士論文
[1]基于標(biāo)簽分類和信任自編碼器的協(xié)同過濾算法研究[D]. 朱崢宇.南京郵電大學(xué) 2019
[2]基于二階隱馬爾可夫模型的協(xié)同過濾算法的研究與應(yīng)用[D]. 張丹.江蘇大學(xué) 2019
[3]基于卷積神經(jīng)網(wǎng)絡(luò)和協(xié)同過濾的圖書推薦系統(tǒng)[D]. 張華潔.山西大學(xué) 2019
[4]基于深度學(xué)習(xí)的協(xié)同過濾算法研究與改進(jìn)[D]. 徐一雄.中國民航大學(xué) 2019
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法研究[D]. 武海龍.華中科技大學(xué) 2019
[6]基于隱語義模型的個(gè)性化推薦算法的研究[D]. 劉均.重慶郵電大學(xué) 2019
[7]基于聚類和矩陣分解的推薦算法的研究與改進(jìn)[D]. 周超.青島大學(xué) 2018
[8]基于文本挖掘的個(gè)性化推薦系統(tǒng)研究[D]. 崔蘋.上海師范大學(xué) 2018
[9]基于用戶與項(xiàng)目雙重聚類的協(xié)同過濾算法的研究與分析[D]. 鄭健.北京工業(yè)大學(xué) 2017
[10]基于OWL本體構(gòu)建的網(wǎng)頁圖文摘要提取算法研究[D]. 韓鳳嬌.西南大學(xué) 2014



本文編號(hào)：2993010