在信息過載的數(shù)據(jù)時代,個性化推薦系統(tǒng)可以通過信息過濾技術(shù)向用戶推薦其感興趣的信息,因此廣泛應(yīng)用于各個領(lǐng)域。其中,協(xié)同過濾算法是使用最廣、最受歡迎的推薦算法之一。然而,協(xié)同過濾算法仍然存在數(shù)據(jù)稀疏問題,嚴重影響推薦的質(zhì)量。針對協(xié)同過濾算法的數(shù)據(jù)稀疏問題,本文分別從填充稀疏評分矩陣和定義新的用戶相似度模型這兩個角度來展開研究。本文完成的主要工作如下:第一,為了提高協(xié)同過濾算法在數(shù)據(jù)稀疏時的準確性,本文提出一種融合輔助信息的基于數(shù)據(jù)填充的協(xié)同過濾算法。該算法的主要特點在于:（1）在生成填充數(shù)據(jù)時,融合用戶/項目的輔助信息來表示用戶/項目特征,使得能為新用戶和新項目生成填充數(shù)據(jù),且能準確度量用戶/項目相似性。在融合用戶輔助信息時,本文融合用戶基本屬性信息,并結(jié)合用戶評分和項目屬性信息來預(yù)測用戶對項目屬性的偏好程度。在融合項目輔助信息時,將項目屬性信息、標題信息以及內(nèi)容信息進行有效融合。同時,引入降噪編碼器挖掘用戶/項目的低階稠密隱式特征。（2）在填充矩陣時,考慮填充數(shù)據(jù)的置信度,通過將置信度不高的填充數(shù)據(jù)進行過濾以此降低噪聲數(shù)據(jù)對推薦質(zhì)量的影響。在極為稀疏的數(shù)據(jù)集上進行測試,實驗結(jié)果表明提出的... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)的應(yīng)用現(xiàn)狀
        1.2.2 協(xié)同過濾推薦算法的研究現(xiàn)狀
        1.2.3 稀疏問題的研究現(xiàn)狀
    1.3 本文主要工作和貢獻
    1.4 本文論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)研究
    2.1 推薦算法綜述
        2.1.1 基于人口統(tǒng)計信息的推薦算法
        2.1.2 基于關(guān)聯(lián)規(guī)則的推薦算法
        2.1.3 基于內(nèi)容的推薦算法
        2.1.4 基于知識的推薦算法
        2.1.5 基于協(xié)同過濾的推薦算法
        2.1.6 混合推薦算法
    2.2 協(xié)同過濾推薦算法
        2.2.1 基于近鄰的協(xié)同過濾推薦算法
        2.2.2 基于模型的協(xié)同過濾推薦算法
    2.3 協(xié)同過濾推薦算法存在的問題
    2.4 推薦算法的評價指標
    2.5 小結(jié)
第3章 融合輔助信息的基于數(shù)據(jù)填充的協(xié)同過濾算法
    3.1 傳統(tǒng)基于數(shù)據(jù)填充的推薦算法分析
    3.2 融合輔助信息的基于數(shù)據(jù)填充的協(xié)同過濾算法
        3.2.1 自動編碼器
        3.2.2 填充數(shù)據(jù)預(yù)測
        3.2.3 融合填充數(shù)據(jù)的矩陣分解算法
        3.2.4 算法流程
    3.3 實驗過程及結(jié)果分析
        3.3.1 實驗環(huán)境和數(shù)據(jù)集
        3.3.2 評價指標
        3.3.3 實驗過程及結(jié)果分析
    3.4 小結(jié)
第4章 基于混合相似度的協(xié)同過濾算法
    4.1 傳統(tǒng)相似度模型分析
        4.1.1 傳統(tǒng)的用戶相似度模型
        4.1.2 傳統(tǒng)相似度模型存在的問題
    4.2 基于混合相似度的協(xié)同過濾推薦算法
        4.2.0 基于項目屬性的相似度模型
        4.2.1 用戶共同評分獎勵因子
        4.2.2 用戶可信度因子
        4.2.3 評分預(yù)測
        4.2.4 算法流程
    4.3 實驗過程及結(jié)果分析
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 評價指標
        4.3.3 實驗結(jié)果分析
    4.4 小結(jié)
結(jié)論
參考文獻
附錄 A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
附錄 B 攻讀學(xué)位期間參與的主要項目
致謝


【參考文獻】：
期刊論文
[1]改進矩陣分解與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的推薦模型[J]. 蔡念,劉廣聰,蔡紅丹.  計算機工程與應(yīng)用. 2019(19)
[2]基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J]. 張宜浩,朱小飛,徐傳運,董世都.  計算機學(xué)報. 2019(06)
[3]關(guān)聯(lián)規(guī)則推薦的高效分布式計算框架[J]. 李昌盛,伍之昂,張璐,曹杰.  計算機學(xué)報. 2019(06)
[4]基于信任聚類的協(xié)同過濾推薦算法[J]. 王菲,黃剛,朱崢宇.  計算機技術(shù)與發(fā)展. 2019(05)
[5]基于關(guān)聯(lián)規(guī)則的標簽推薦[J]. 陳雙雙,王曉軍.  計算機技術(shù)與發(fā)展. 2018(12)
[6]基于用戶聚類與Slope One填充的協(xié)同推薦算法[J]. 龔敏,鄧珍榮,黃文明.  計算機工程與應(yīng)用. 2018(22)
[7]基于加權(quán)二部圖的Slope One推薦算法[J]. 王冉,徐怡,胡善忠,何明慧.  微電子學(xué)與計算機. 2018(03)
[8]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.  計算機科學(xué). 2017(S2)
[9]結(jié)合用戶活躍度的協(xié)同過濾推薦算法[J]. 曲朝陽,宋晨晨,任有學(xué),劉耀偉,牛強,獨健鴻.  東北電力大學(xué)學(xué)報. 2017(05)
[10]基于綜合相似度和社交標簽的推薦算法[J]. 時念云,張蕓,馬力.  計算機系統(tǒng)應(yīng)用. 2017(10)



本文編號：3181760