隨著信息網(wǎng)絡(luò)技術(shù)的發(fā)展,電子商務(wù)得到了很好的發(fā)展,網(wǎng)上購(gòu)物成為了人們生活中不可或缺的重要組成部分。而購(gòu)物網(wǎng)站上商品如此繁多,如何可以找到自己喜歡的物品呢?正是基于此,推薦系統(tǒng)才誕生,它在為我們推薦個(gè)性化物品中起到了顯著的作用。目前在電子商務(wù)系統(tǒng)中應(yīng)用的推薦系統(tǒng)主要有以下幾種:基于內(nèi)容的推薦、協(xié)同過濾算法的推薦和混合推薦。本文主要介紹的是基于矩陣分解模型的協(xié)同過濾算法及其優(yōu)化。協(xié)同過濾算法在電子商務(wù)中的應(yīng)用最為普遍,它又分為基于鄰域的協(xié)同過濾和基于矩陣分解模型的協(xié)同過濾,而矩陣分解技術(shù)在協(xié)同過濾算法中的研究也屬于前沿的技術(shù)之一。低秩矩陣分解剔除了原有評(píng)分矩陣的冗余的信息和一些無效的信息,又在最大的程度上,保留了評(píng)分矩陣的有效信息,符合了矩陣降維的思想,在計(jì)算量上大大的減少,也節(jié)省了存儲(chǔ)空間成本,因此,低秩矩陣分解在推薦系統(tǒng)這一領(lǐng)域有著不錯(cuò)的成績(jī)。本文從分析低秩矩陣分解的協(xié)同過濾算法的研究入手,查閱了相關(guān)的資料,并比較了國(guó)內(nèi)外的研究現(xiàn)狀,確定了本文研究的方向及方法。本文研究的內(nèi)容及創(chuàng)新如下:首先,本文在低秩矩陣分解的協(xié)同過濾算法下,融入k-means聚類算法。在評(píng)分矩陣使用低秩矩陣分解之后... 

【文章來源】：成都理工大學(xué)四川省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

淘寶網(wǎng)的猜你喜歡

圖 2-2 京東的為你推薦有關(guān)推薦系統(tǒng)的算法種類繁多，各種算法又各有優(yōu)劣，評(píng)價(jià)標(biāo)準(zhǔn)就是用來衡量各算法的優(yōu)劣的，找出缺點(diǎn)加以優(yōu)化改進(jìn)。目前主要的評(píng)價(jià)標(biāo)準(zhǔn)有準(zhǔn)確度、覆蓋率等，其中準(zhǔn)確度又分為評(píng)分預(yù)測(cè)準(zhǔn)確度和 Top-N 推薦準(zhǔn)確度。(1)評(píng)分預(yù)測(cè)準(zhǔn)確度評(píng)分預(yù)測(cè)準(zhǔn)確度用來評(píng)價(jià)預(yù)測(cè)評(píng)分與實(shí)際評(píng)分之間的差別，數(shù)值越小代表準(zhǔn)確度越高。常用兩種計(jì)算方式，一種是均方根誤差（RMSE），另一種是平均絕對(duì)誤差（MAE）。MAE 相較于 RMSE 能更好地預(yù)測(cè)值誤差的實(shí)際情況，而 RMSE會(huì)忽略較小值的誤差，對(duì)異常值比較敏感。 均方根誤差均方根誤差的定義為：RMSE =∑ ( ), ∈| |(2 2) 平均絕對(duì)誤差

圖 2-4 基于用戶的協(xié)同過濾示表 2-1 User-Item 評(píng)分矩陣Item1 Item2 Item3 2 2 3 5 6 6 1 ？ 1 4 ？ 3 5 ？ 3 余弦相似度似度，通過計(jì)算兩個(gè)向量夾角的余弦值大，也就說明兩個(gè)向量越相似，反之，如圖 2-5 所示。

【參考文獻(xiàn)】：
期刊論文
[1]協(xié)同過濾推薦算法綜述[J]. 李曉瑜.  商丘師范學(xué)院學(xué)報(bào). 2018(09)
[2]基于SVD協(xié)同過濾的餐飲推薦系統(tǒng)設(shè)計(jì)[J]. 朱沖?,蔡其錸,張登輝.  浙江樹人大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[3]基于局部全局相似度的SVD的協(xié)同過濾算法[J]. 牛常勇,劉國(guó)樞.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(09)
[4]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[5]基于SVD的K-means聚類協(xié)同過濾算法[J]. 王偉,楊寧,李麗華,劉國(guó)強(qiáng).  微計(jì)算機(jī)信息. 2012(08)

博士論文
[1]推薦系統(tǒng)中協(xié)同過濾算法若干問題的研究[D]. 張亮.北京郵電大學(xué) 2009
[2]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動(dòng)問題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]基于用戶信任度的協(xié)同過濾推薦算法研究[D]. 張婷.河北大學(xué) 2018
[2]基于協(xié)同過濾的個(gè)性化推薦算法研究[D]. 梁雪雷.江西理工大學(xué) 2018
[3]基于信任和矩陣分解的社會(huì)化推薦算法[D]. 朱亞蘭.江西理工大學(xué) 2018
[4]基于協(xié)同過濾技術(shù)的推薦算法研究[D]. 趙尉翔.長(zhǎng)安大學(xué) 2018
[5]基于矩陣分解和聚類的協(xié)同過濾算法研究[D]. 任怡.吉林大學(xué) 2018
[6]基于用戶的協(xié)同過濾推薦算法研究[D]. 龍姝言.重慶理工大學(xué) 2018
[7]基于局部低秩矩陣近似推薦算法研究[D]. 陳新吾.電子科技大學(xué) 2018
[8]基于K-means聚類的協(xié)同過濾推薦算法研究[D]. 楊大鑫.杭州電子科技大學(xué) 2018
[9]基于hadoop的高校圖書館圖書推薦系統(tǒng)研究及實(shí)現(xiàn)[D]. 李沖.北京郵電大學(xué) 2018
[10]矩陣填充算法研究與應(yīng)用[D]. 盛偉.云南師范大學(xué) 2017



本文編號(hào)：3073051