隨著數(shù)據(jù)信息時(shí)代的數(shù)十年發(fā)展,互聯(lián)網(wǎng)中的數(shù)據(jù)體量也愈加龐大,在人們檢索時(shí)遇到了不同數(shù)據(jù)形式的大量數(shù)據(jù)信息所導(dǎo)致的信息過載問題。其中在電影領(lǐng)域多維度形形色色的數(shù)據(jù)信息快速增長為用戶帶來海量資源的同時(shí)也使得用戶不能有效尋找自己感興趣的電影。電影推薦系統(tǒng)憑借對(duì)冗余信息的過濾,可以為用戶高效地尋找喜歡的電影,近年來受到很大關(guān)注。該系統(tǒng)使得用戶在電影搜索時(shí)變得容易。但是傳統(tǒng)的推薦系統(tǒng)在推薦性能上依然受到數(shù)據(jù)稀疏性以及冷啟動(dòng)的限制,主要原因是每個(gè)用戶都擁有不同的興趣愛好,因此對(duì)電影的喜好也是因人而異。系統(tǒng)中的用戶數(shù)據(jù)較少無法獲得用戶數(shù)據(jù)因此不能對(duì)用戶喜好做出正確預(yù)測,從而影響推薦效果。為了緩解數(shù)據(jù)稀疏性的影響,本文通過構(gòu)建電影領(lǐng)域知識(shí)圖譜,利用知識(shí)圖譜計(jì)算電影間語義相似度,結(jié)合傳統(tǒng)推薦算法實(shí)現(xiàn)個(gè)性化電影推薦。研究內(nèi)容如下:首先介紹了電影領(lǐng)域知識(shí)圖譜的設(shè)計(jì)與實(shí)現(xiàn)。翻譯模型在構(gòu)建知識(shí)圖譜過程中具有復(fù)雜度較低且表示準(zhǔn)確度較高等優(yōu)點(diǎn),因此本文采用計(jì)算量較小的翻譯模型作為知識(shí)圖譜表示模型。傳統(tǒng)的翻譯模型Trans E由于不能處理電影實(shí)體間的多關(guān)系,導(dǎo)致在推薦算法中相似度的計(jì)算準(zhǔn)確率較低。于是本文選用改進(jìn)的T... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
注釋表
第1章 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦技術(shù)研究現(xiàn)狀
        1.2.2 知識(shí)圖譜研究現(xiàn)狀
        1.2.3 基于知識(shí)圖譜的推薦技術(shù)研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)安排
        1.3.1 主要?jiǎng)?chuàng)新點(diǎn)
        1.3.2 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)背景介紹
    2.1 知識(shí)圖譜介紹
        2.1.1 知識(shí)抽取
        2.1.2 知識(shí)融合
        2.1.3 知識(shí)表示
    2.2 推薦技術(shù)介紹
        2.2.1 對(duì)象相似性度量方法
        2.2.2 基于用戶的協(xié)同過濾算法
        2.2.3 基于物品的協(xié)同過濾算法
        2.2.4 基于矩陣分解的推薦算法
    2.3 K-means聚類算法介紹
    2.4 本章小結(jié)
第3章 基于知識(shí)圖譜和協(xié)同過濾的電影推薦技術(shù)
    3.1 電影領(lǐng)域知識(shí)圖譜分析
    3.2 表示學(xué)習(xí)Trans HR
    3.3 基于圖譜的推薦算法
    3.4 兩種相似度的融合
    3.5 實(shí)驗(yàn)分析
        3.5.1 數(shù)據(jù)集
        3.5.2 評(píng)價(jià)指標(biāo)
        3.5.3 融合因子的設(shè)定
        3.5.4 算法比較
    3.6 本章小結(jié)
第4章 結(jié)合影評(píng)的知識(shí)圖譜推薦
    4.1 影評(píng)中的相似信息
    4.2 文本聚類算法
        4.2.1 中文分詞
        4.2.2 停用詞過濾
        4.2.3 計(jì)算詞頻
        4.2.4 K-means文本聚類
        4.2.5 聚類參數(shù)確定
    4.3 中文電影知識(shí)圖譜
    4.4 基于聚類知識(shí)圖譜的推薦算法
        4.4.1 推薦過程
        4.4.2 基于矩陣分解的推薦算法
        4.4.3 算法評(píng)測
    4.5 實(shí)驗(yàn)分析
        4.5.1 電影屬性詞聚類抽取實(shí)驗(yàn)
        4.5.2 手肘法確定聚類數(shù)
        4.5.3 推薦結(jié)果
        4.5.4 比較實(shí)驗(yàn)
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于矩陣分解和聚類的協(xié)同過濾算法[J]. 董立巖,王宇,任怡,李永麗.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2019(01)
[2]融合知識(shí)圖譜表示學(xué)習(xí)和矩陣分解的推薦算法[J]. 陳平華,朱禹.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(10)
[3]基于句法語義特征的實(shí)體關(guān)系抽取技術(shù)[J]. 姚春華,劉瀟,高弘毅,鄢秋霞.  通信技術(shù). 2018(08)
[4]一種改進(jìn)的基于用戶聚類的協(xié)同過濾推薦算法[J]. 劉璐,王志謙.  電視技術(shù). 2018(06)
[5]知識(shí)圖譜發(fā)展與構(gòu)建的研究進(jìn)展[J]. 朱木易潔,鮑秉坤,徐常勝.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[6]基于知識(shí)圖譜表示學(xué)習(xí)的協(xié)同過濾推薦算法[J]. 吳璽煜,陳啟買,劉海,賀超波.  計(jì)算機(jī)工程. 2018(02)
[7]Knowledge Graph Embedding for Hyper-Relational Data[J]. Chunhong Zhang,Miao Zhou,Xiao Han,Zheng Hu,Yang Ji.  Tsinghua Science and Technology. 2017(02)
[8]基于多叉樹確定K值的動(dòng)態(tài)K-means聚類算法[J]. 鮑黎明,黃剛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(06)
[9]一種改進(jìn)的top-N協(xié)同過濾推薦算法[J]. 肖文強(qiáng),姚世軍,吳善明.  計(jì)算機(jī)應(yīng)用研究. 2018(01)
[10]自適應(yīng)K值的粒子群聚類算法[J]. 白樹仁,陳龍.  計(jì)算機(jī)工程與應(yīng)用. 2017(16)

博士論文
[1]大規(guī)模知識(shí)圖譜服務(wù)的系統(tǒng)與應(yīng)用研究[D]. 何亮.中國科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]面向特定領(lǐng)域的知識(shí)圖譜構(gòu)建技術(shù)研究與應(yīng)用[D]. 邢立棟.北京化工大學(xué) 2018
[2]基于實(shí)體描述和關(guān)系路徑的知識(shí)圖譜補(bǔ)全研究[D]. 羅琦.山東大學(xué) 2018
[3]基于知識(shí)圖譜的推薦技術(shù)研究及應(yīng)用[D]. 王一鳴.電子科技大學(xué) 2018
[4]基于遺傳算法的模糊聚類在用戶行為分析中的應(yīng)用研究[D]. 唐海亮.山東師范大學(xué) 2017
[5]實(shí)時(shí)推薦中精確性和實(shí)時(shí)性改進(jìn)算法研究[D]. 路順.重慶大學(xué) 2017
[6]基于用戶評(píng)論信息的推薦算法研究[D]. 劉真臻.武漢理工大學(xué) 2017
[7]Web實(shí)體間關(guān)系發(fā)現(xiàn)[D]. 趙珂.山東大學(xué) 2016
[8]Web大數(shù)據(jù)多層級(jí)相關(guān)推薦算法研究[D]. 楊光.武漢理工大學(xué) 2016
[9]個(gè)性化推薦系統(tǒng)的研究與應(yīng)用[D]. 趙思雨.重慶理工大學(xué) 2016
[10]基于多策略的電影推薦方法研究[D]. 周文樂.中國科學(xué)技術(shù)大學(xué) 2015



本文編號(hào)：3160890