推薦系統(tǒng)旨在幫助用戶從海量的信息中挑選出用戶感興趣的信息。它通過(guò)歷史記錄自動(dòng)挖掘用戶的興趣和喜好,最后為每個(gè)用戶提供個(gè)性化的服務(wù)。協(xié)同過(guò)濾推薦算法在促進(jìn)服務(wù)推薦生態(tài)上扮演著重要的角色。然而在實(shí)際應(yīng)用中,協(xié)同過(guò)濾算法也存在著數(shù)據(jù)稀疏性、冷啟動(dòng)、遷移性以及是否侵犯用戶隱私的問(wèn)題。其中最為嚴(yán)重也最需要解決的問(wèn)題就是冷啟動(dòng)問(wèn)題。冷啟動(dòng)問(wèn)題分為三種,分別是用戶冷啟動(dòng)問(wèn)題,項(xiàng)目冷啟動(dòng)問(wèn)題以及系統(tǒng)冷啟動(dòng)問(wèn)題。利用項(xiàng)目和用戶的信息通常是解決冷啟動(dòng)問(wèn)題的有效方法。對(duì)于項(xiàng)目冷啟動(dòng)而言,有效的利用項(xiàng)目的屬性信息是有效解決該問(wèn)題的方法之一。然而對(duì)于用戶冷啟動(dòng)問(wèn)題,由于隱私泄露的日益嚴(yán)重,用戶越來(lái)越在乎個(gè)人的隱私,所以利用用戶的個(gè)人信息作為解決冷啟動(dòng)問(wèn)題的解決方案往往是行不通的。協(xié)同過(guò)濾在促進(jìn)服務(wù)推薦生態(tài)系統(tǒng)上發(fā)揮著重要的功效,其中矩陣分解技術(shù)更是被證明是最有效的推薦方法之一。本文針對(duì)推薦系統(tǒng)中所存在的項(xiàng)目冷啟動(dòng)問(wèn)題和用戶冷啟動(dòng)給問(wèn)題分別提出了解決方法。對(duì)于新項(xiàng)目的冷啟動(dòng)問(wèn)題,本文提出了一種融合項(xiàng)目屬性的相似度計(jì)算方法,利用該方法來(lái)預(yù)測(cè)用戶對(duì)新服務(wù)的偏好,將預(yù)測(cè)出來(lái)的偏好與矩陣分解模型進(jìn)行結(jié)合,最后利用模型來(lái)預(yù)... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１協(xié)同過(guò)濾模型圖??Ｆｉｇ．?２．１?Ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ｍｏｄｅｌ??

圖３．?１融合屬性的矩陣分解模型??Ｆｉｇ．?３．１?Ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ?ｍｏｄｅｌ?ｏｆ?ａｔｔｒｉｂｕｔｅｓ－ｆｕｓｅｄ??３．２．２基于屬性的ＫＮＮ算法??Ｋ近鄰方法（ＫＮＮ）是基于鄰域協(xié)同過(guò)濾的流行方法之一。該方法的核心??是計(jì)算用戶或服務(wù)之間的相似度�；陬愃贫扔�(jì)算的類型，在推薦系統(tǒng)中有兩種??ＫＮＮ?（即，基于用戶的ＵＫＮＮ和基于服務(wù)的ＩＫＮＮ）。??基于服務(wù)的ＫＮＮ方法是經(jīng)過(guò)協(xié)同過(guò)濾的算法改進(jìn)而來(lái)，根據(jù)每個(gè)服務(wù)的前??左個(gè)最近鄰的服務(wù)的評(píng)分信息來(lái)進(jìn)行推薦。對(duì)于服務(wù)／和服務(wù)＿／，仍分別代??表調(diào)用過(guò)服務(wù)／和服務(wù)＿／的用戶集合，Ｊ㈨和Ｊ似分別表示服務(wù)／和服務(wù)．／的屬性??集合。對(duì)于傳統(tǒng)的服務(wù)推薦，通常采用公式（３．１）計(jì)算相似度：??

士學(xué)位論文?基于融合屬性矩陣分解的冷當(dāng)評(píng)分矩陣比較稀疏的時(shí)候，隨機(jī)梯度下降法會(huì)得到更好的梯度下降的方法，相關(guān)參數(shù)的更新操作如下：??ｂｕ＜－ｂｕ＋ａ（ｅｕｌ－Ａｂｕ）??ｂ，?＋?ａ（ｅｕｉ?－又ｂ，）??ｘ．?＋?ａ（ｙ，?￣ｙ，＾?ｙｔ＋ａｉｘ＾Ｘｙ，）??ａ代表學(xué)習(xí)速率。??矩陣分解方法忽略了冷啟動(dòng)服務(wù)與其他服務(wù)之間的聯(lián)系，所以屬性信息來(lái)解決這一問(wèn)題。我們將基礎(chǔ)的矩陣分解模型作后的矩陣分解模型如下圖所示：??

【參考文獻(xiàn)】：
期刊論文
[1]基于SOM神經(jīng)網(wǎng)絡(luò)的服務(wù)質(zhì)量預(yù)測(cè)[J]. 張以文,項(xiàng)濤,郭星,賈兆紅,何強(qiáng).  軟件學(xué)報(bào). 2018(11)
[2]一種基于移動(dòng)用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J]. 劉樹棟,孟祥武.  軟件學(xué)報(bào). 2014(11)
[3]基于可信聯(lián)盟的服務(wù)推薦方法[J]. 王海艷,楊文彬,王隨昌,李思瑞.  計(jì)算機(jī)學(xué)報(bào). 2014(02)
[4]基于云模型的協(xié)同過(guò)濾推薦算法[J]. 張光衛(wèi),李德毅,李鵬,康建初,陳桂生.  軟件學(xué)報(bào). 2007(10)



本文編號(hào)：3121827