隨著信息技術(shù)的發(fā)展,人們?cè)絹碓蕉嗍褂没ヂ?lián)網(wǎng)獲取新聞,購物,觀看影片等。伴隨網(wǎng)絡(luò)中的數(shù)據(jù)量急速增大,推薦系統(tǒng)成為了解決信息過載的重要方法。與此同時(shí),“個(gè)人數(shù)據(jù)管理平臺(tái)”抓取了用戶在各個(gè)平臺(tái)上的信息,擁有海量數(shù)據(jù),如何利用這些數(shù)據(jù)對(duì)用戶精準(zhǔn)推薦也恰好是推薦系統(tǒng)的研究領(lǐng)域。目前,最為廣泛應(yīng)用的推薦算法是協(xié)同過濾算法。然而,該算法也面臨諸多問題,如相似度模型較為樸素、預(yù)測(cè)過程未考慮用戶偏好模型以及當(dāng)項(xiàng)目增加時(shí),有潛在的性能問題�；谝陨系膯栴},本文對(duì)相似度模型、用戶偏好模型和拓展性問題進(jìn)行了研究,提出了一種改進(jìn)的協(xié)同過濾推薦算法,取得了如下的主要研究成果:（1）在相似度度量問題上,提出了一種新的度量模型。該模型受NLP領(lǐng)域中的詞嵌入思想的啟發(fā),分別通過將項(xiàng)目的共現(xiàn)信息與項(xiàng)目的簡(jiǎn)介信息分別映射到低維的向量空間中,得到關(guān)于項(xiàng)目的兩種向量表示方法。最后將兩種表示結(jié)合起來,按權(quán)重計(jì)算相似度。在項(xiàng)目共現(xiàn)的嵌入中,提出了f-item2vec模型,該模型引入了項(xiàng)目評(píng)分因子,進(jìn)而增大高分項(xiàng)目的相似度;針對(duì)項(xiàng)目簡(jiǎn)介信息,先分詞,然后使用doc2vec的方法訓(xùn)練項(xiàng)目的向量。與現(xiàn)有相似度模型相比,本文提出的相似度模... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：84 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容與貢獻(xiàn)
    1.4 本文的組織結(jié)構(gòu)
第2章 相關(guān)理論與技術(shù)概述
    2.1 推薦系統(tǒng)概述
    2.2 基于內(nèi)容的推薦算法
        2.2.1 基于內(nèi)容的推薦算法的主要步驟
        2.2.2 基于內(nèi)容的推薦算法的優(yōu)缺點(diǎn)
    2.3 協(xié)同過濾推薦算法
        2.3.1 基于內(nèi)存的協(xié)同過濾算法
        2.3.2 基于模型的協(xié)同過濾算法
    2.4 基于人口統(tǒng)計(jì)學(xué)的推薦算法
    2.5 本章小結(jié)
第3章 基于項(xiàng)目嵌入的相似度度量模型
    3.1 推薦系統(tǒng)中傳統(tǒng)相似度度量方法
    3.2 基于項(xiàng)目嵌入的向量化方法
        3.2.1 基于項(xiàng)目共現(xiàn)的f-item2vec
        3.2.2 基于項(xiàng)目簡(jiǎn)介信息的向量化方法
    3.3 組合特征相似度度量模型
    3.4 實(shí)驗(yàn)及結(jié)果分析
        3.4.1 數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    3.5 本章小結(jié)
第4章 基于長(zhǎng)短期興趣的用戶偏好模型
    4.1 用戶偏好模型概述
    4.2 用戶偏好模型的理論基礎(chǔ)
    4.3 用戶偏好模型
        4.3.1 短期興趣權(quán)重
        4.3.2 長(zhǎng)期興趣權(quán)重
        4.3.3 用戶偏好模型與評(píng)分方法
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)
        4.4.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    4.5 本章小結(jié)
第5章 基于聚類的協(xié)同過濾推薦模型
    5.1 聚類過程
        5.1.1 生成S個(gè)初始聚類中心
        5.1.2 使用K-means算法聚類
    5.2 改進(jìn)的協(xié)同過濾算法模型
    5.3 實(shí)驗(yàn)及結(jié)果分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        5.3.3 實(shí)驗(yàn)設(shè)計(jì)
        5.3.4 模型在MAE上的結(jié)果對(duì)比與時(shí)間開銷
        5.3.5 模型在Precision上的結(jié)果對(duì)比
        5.3.6 模型在Recall上的結(jié)果對(duì)比
    5.4 本章小結(jié)
第6章 基于改進(jìn)協(xié)同過濾的推薦原型系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)
    6.1 系統(tǒng)開發(fā)環(huán)境與平臺(tái)
    6.2 系統(tǒng)概要設(shè)計(jì)
    6.3 系統(tǒng)數(shù)據(jù)庫設(shè)計(jì)
    6.4 核心模塊設(shè)計(jì)
        6.4.1 離線處理模塊
        6.4.2 在線推薦模塊
        6.4.3 個(gè)人信息管理模塊
        6.4.4 相似項(xiàng)目推薦模塊
    6.5 原型系統(tǒng)實(shí)現(xiàn)
        6.5.1 離線處理模塊
        6.5.2 在線推薦模塊
        6.5.3 個(gè)人信息管理模塊
        6.5.4 相似項(xiàng)目推薦模塊
    6.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]國(guó)外網(wǎng)絡(luò)環(huán)境中信息過載研究進(jìn)展[J]. 郭佳,黃程松.  情報(bào)科學(xué). 2018(07)
[2]基于標(biāo)簽聚類與項(xiàng)目主題的協(xié)同過濾推薦算法[J]. 李昊陽,符云清.  計(jì)算機(jī)科學(xué). 2018(04)
[3]基于階段時(shí)序效應(yīng)的奇異值分解推薦模型[J]. 黃凱,張曦煌.  計(jì)算機(jī)應(yīng)用. 2017(05)
[4]一種基于貝葉斯網(wǎng)絡(luò)的個(gè)性化協(xié)同過濾推薦方法研究[J]. 付永平,邱玉輝.  計(jì)算機(jī)科學(xué). 2016(09)
[5]TF-IDF與規(guī)則相結(jié)合的中文關(guān)鍵詞自動(dòng)抽取研究[J]. 牛萍,黃德根.  小型微型計(jì)算機(jī)系統(tǒng). 2016(04)
[6]基于BP神經(jīng)網(wǎng)絡(luò)的情境化信息推薦服務(wù)研究[J]. 周樸雄,張兵榮,趙龍文.  情報(bào)科學(xué). 2016(03)
[7]基于用戶模糊相似度的協(xié)同過濾算法[J]. 吳毅濤,張興明,王興茂,李晗.  通信學(xué)報(bào). 2016(01)
[8]Time-Ordered Collaborative Filtering for News Recommendation[J]. XIAO Yingyuan,AI Pengqiang,Ching-Hsien Hsu,WANG Hongya,JIAO Xu.  中國(guó)通信. 2015(12)
[9]大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[J]. 孟祥武,紀(jì)威宇,張玉潔.  北京郵電大學(xué)學(xué)報(bào). 2015(02)
[10]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)



本文編號(hào)：3148087