在國內(nèi)外信息技術(shù)的迅速發(fā)展的大背景下,隨著移動互聯(lián)網(wǎng)和云計算、大數(shù)據(jù)等技術(shù)以迅速普及并應(yīng)用,互聯(lián)網(wǎng)正式邁入了Web3.0時代,使得全球數(shù)據(jù)總量呈現(xiàn)指數(shù)級增長,越來越多的信息資源充斥著網(wǎng)絡(luò)世界和人們的日常生活,出現(xiàn)了“信息過載”的現(xiàn)象,從而使得用戶無法準(zhǔn)確地得到精準(zhǔn)有效的信息。推薦系統(tǒng)正是這樣的時代背景下應(yīng)運(yùn)而生的產(chǎn)物,目前已廣泛應(yīng)用于電子商務(wù)、在線社交網(wǎng)絡(luò)、新聞媒體、視頻音樂等領(lǐng)域。雖然在此之前已經(jīng)有了分類目錄和搜索引擎這樣的優(yōu)秀解決方案,但是由于數(shù)據(jù)量龐大而導(dǎo)致分類目錄不能滿足需求,逐漸退出了人們的視野;由于搜索引擎的特性,其對用戶的檢索、辨別能力,知識水平等要求較高,逐漸的也只能滿足部分用戶需求。而推薦系統(tǒng)的誕生,可以實(shí)現(xiàn)個性化內(nèi)容的推薦,填補(bǔ)了個性化推薦領(lǐng)域的空白。本文研究具體內(nèi)容如下:1、概述推薦系統(tǒng),分析推薦系統(tǒng)相關(guān)技術(shù)的發(fā)展現(xiàn)狀及現(xiàn)有問題;2、對傳統(tǒng)協(xié)同過濾算法存在的耗時長、效率低的問題進(jìn)行分析,提出了將K-means++聚類應(yīng)用于協(xié)同過濾算法,利用離線處理的方式聚類生成虛擬用戶簇,縮小最近鄰居的查找范圍,提高搜索速率,從而解決傳統(tǒng)協(xié)同過濾算法耗時長的問題;3、針對于改進(jìn)后... 

【文章來源】：內(nèi)蒙古師范大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
abstract
第一章 緒論
    1.1 研究背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)及創(chuàng)新點(diǎn)
第二章 推薦系統(tǒng)概述及其相關(guān)技術(shù)
    2.1 推薦系統(tǒng)概述
        2.1.1 推薦系統(tǒng)的概念
        2.1.2 推薦系統(tǒng)的結(jié)構(gòu)
        2.1.3 推薦系統(tǒng)的主要研究內(nèi)容
    2.2 基于內(nèi)容的推薦
    2.3 協(xié)同過濾推薦
        2.3.1 協(xié)同過濾基本原理
        2.3.2 基于用戶的推薦
        2.3.3 基于項(xiàng)目的推薦
    2.4 數(shù)據(jù)挖掘技術(shù)
        2.4.1 基于關(guān)聯(lián)規(guī)則的推薦
        2.4.2 K-means++聚類
    2.5 其他推薦技術(shù)
        2.5.1 基于效用的推薦
        2.5.2 混合推薦
第三章 基于K-means++聚類改進(jìn)協(xié)同過濾算法
    3.1 傳統(tǒng)協(xié)同過濾推薦算法存在的問題分析
    3.2 基于K-means++聚類改進(jìn)協(xié)同過濾推薦算法
        3.2.1 算法改進(jìn)思路
        3.2.2 算法改進(jìn)步驟
    3.3 實(shí)驗(yàn)分析
        3.3.1 數(shù)據(jù)集和實(shí)驗(yàn)參數(shù)的選取
        3.3.2 傳統(tǒng)協(xié)同過濾算法的實(shí)驗(yàn)結(jié)果
        3.3.3 改進(jìn)后協(xié)同過濾算法的結(jié)果
        3.3.4 推薦準(zhǔn)確度比較
        3.3.5 推薦產(chǎn)生時間比較
第四章 基于內(nèi)容與協(xié)同過濾的融合推薦方法
    4.1 改進(jìn)后算法問題描述
        4.1.1 數(shù)據(jù)稀疏問題
        4.1.2 冷啟動問題
    4.2 基于內(nèi)容與協(xié)同過濾的融合推薦方法
        4.2.1 算法描述
        4.2.2 融合算法的優(yōu)勢
    4.3 融合推薦方法模型構(gòu)建
    4.4 算法描述
        4.4.1 用戶-特征信息表
        4.4.2 矩陣轉(zhuǎn)化
        4.4.3 用戶聚類算法
        4.4.4 預(yù)測過程
    4.5 實(shí)驗(yàn)及分析
        4.5.1 數(shù)據(jù)集和實(shí)驗(yàn)參數(shù)的選取
        4.5.2 基于內(nèi)容與協(xié)同過濾的混合算法的結(jié)果
        4.5.3 MAE準(zhǔn)確度比較
第五章 總結(jié)及展望
    5.1 本文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[J]. 葛俊言.  中國新通信. 2018(15)
[2]基于協(xié)同過濾算法的推薦系統(tǒng)研究[J]. 李楚桐,莫贊.  信息通信. 2018(02)
[3]協(xié)同過濾推薦算法研究進(jìn)展[J]. 翁小蘭,王志堅(jiān).  計算機(jī)工程與應(yīng)用. 2018(01)
[4]個性化推薦算法綜述[J]. 孫光浩,劉丹青,李夢云.  軟件. 2017(07)
[5]融合用戶相似度與評分信息的協(xié)同過濾算法[J]. 喬雨,李玲娟.  南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[6]個性化推薦系統(tǒng)綜述[J]. 劉輝,郭夢夢,潘偉強(qiáng).  常州大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[7]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.  計算機(jī)應(yīng)用研究. 2018(01)
[8]一種基于用戶隱式反饋的微博信息過濾方法[J]. 石曦彤,汪嘉琪,劉邦望,李葉.  智能計算機(jī)與應(yīng)用. 2016(03)
[9]基于項(xiàng)目的協(xié)同過濾推薦算法的改進(jìn)[J]. 黃典.  中國科技信息. 2016(01)
[10]基于顯式與隱式反饋信息的概率矩陣分解推薦[J]. 王東,陳志,岳文靜,高翔,王峰.  計算機(jī)應(yīng)用. 2015(09)

碩士論文
[1]協(xié)同過濾算法相似度的研究及并行化的實(shí)現(xiàn)[D]. 邢文濤.天津大學(xué) 2017
[2]面向數(shù)據(jù)稀疏問題的協(xié)同過濾推薦算法研究[D]. 康熠華.內(nèi)蒙古師范大學(xué) 2016
[3]基于SVD的協(xié)同過濾推薦算法研究[D]. 陳清浩.西南交通大學(xué) 2015
[4]基于LDA的社會化網(wǎng)絡(luò)文本推薦系統(tǒng)的設(shè)計及實(shí)現(xiàn)[D]. 郭宇.中國科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院） 2015
[5]基于物品相似度和主題回歸的矩陣分解推薦算法[D]. 鄧志豪.浙江大學(xué) 2015
[6]數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的研究與改進(jìn)[D]. 張璽.北京郵電大學(xué) 2015
[7]基于標(biāo)簽的個性化推薦系統(tǒng)的研究[D]. 楊丹.蘇州大學(xué) 2014
[8]面向個性化推薦的用戶興趣建模技術(shù)研究[D]. 宮玲玲.山東師范大學(xué) 2013
[9]基于協(xié)同過濾模型與隱語義模型的推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 魯權(quán).湖南大學(xué) 2013
[10]基于上下文感知的個性化信息服務(wù)系統(tǒng)的研究與設(shè)計[D]. 陳婷.北京郵電大學(xué) 2013



本文編號：3185579