目的——在推薦系統(tǒng)的研究中,提升預(yù)測(cè)準(zhǔn)確度、降低數(shù)據(jù)稀疏性的問(wèn)題,一直都是該領(lǐng)域內(nèi)的研究熱點(diǎn)。隱語(yǔ)義推薦模型中的迭代尋優(yōu)和矩陣分解降低了數(shù)據(jù)的稀疏性。其在迭代尋優(yōu)過(guò)程中的隨機(jī)梯度下降法在進(jìn)行迭代尋取最優(yōu)解時(shí),相對(duì)于批量梯度下降法在效率方面有顯著的提升。但在面對(duì)大數(shù)據(jù)量時(shí),隨機(jī)梯度下降法的噪聲分析和收斂性比小樣本梯度下降法差。在對(duì)比隨機(jī)梯度下降法和小樣本梯度下降法后,提出在隱語(yǔ)義模型中使用小樣本梯度下降法代替隨機(jī)梯度下降法。在提升預(yù)測(cè)準(zhǔn)確度上,混合推薦模型的預(yù)測(cè)準(zhǔn)確度普遍優(yōu)于單個(gè)推薦模型的預(yù)測(cè)準(zhǔn)確度。提出將基于鄰域的推薦模型和使用小樣本梯度下降法的隱語(yǔ)義模型進(jìn)行混合,混合后的模型為KLFM混合推薦模型。混合方法為三種基于線(xiàn)性權(quán)重分配的融合策略:等權(quán)重融合法、有效權(quán)重融合法、鳥(niǎo)類(lèi)覓食算法與權(quán)重尋優(yōu)相結(jié)合的PSO尋優(yōu)權(quán)重融合法。方法——在噪聲分析和收斂性上,將傳統(tǒng)隱語(yǔ)義推薦模型中的隨機(jī)梯度下降法與小樣本梯度下降法進(jìn)行比對(duì)。為提升預(yù)測(cè)準(zhǔn)確度,本文提出等權(quán)重融合法、有效權(quán)重融合法、PSO尋優(yōu)權(quán)重融合法。用以上三種融合策略將使用小樣本梯度下降法的隱語(yǔ)義模型和基于鄰域的推薦算法進(jìn)行混合,并通過(guò)其與單... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文研究的背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 論文研究的主要內(nèi)容
    1.4 論文結(jié)構(gòu)
    1.5 論文創(chuàng)新點(diǎn)
第二章 論文研究總體思路與相關(guān)知識(shí)
    2.1 論文研究總體思路
    2.2 擬解決的關(guān)鍵問(wèn)題
    2.3 推薦系統(tǒng)相關(guān)知識(shí)
        2.3.1 推薦系統(tǒng)
        2.3.2 基于鄰域的推薦算法
        2.3.3 隱語(yǔ)義模型的介紹
        2.3.4 隱語(yǔ)義模型和基于鄰域的方法的比較
        2.3.5 其它推薦算法
    2.4 推薦系統(tǒng)的評(píng)價(jià)指標(biāo)
        2.4.1 用戶(hù)滿(mǎn)意度
        2.4.2 預(yù)測(cè)準(zhǔn)確度
        2.4.3 基尼系數(shù)和推薦覆蓋比
        2.4.4 系統(tǒng)推薦準(zhǔn)確度
        2.4.5 多樣性和新穎性
        2.4.6 其它評(píng)判點(diǎn)
第三章 隱語(yǔ)義模型的優(yōu)化
    3.1 引言
    3.2 梯度下降算法
        3.2.1 梯度下降法相關(guān)概念和算法過(guò)程
        3.2.2 隨機(jī)梯度下降法
        3.2.3 隨機(jī)梯度下降法在隱語(yǔ)義模型中的應(yīng)用
    3.3 隱語(yǔ)義模型存在的問(wèn)題
        3.3.1 小樣本梯度下降法的引出
        3.3.2 小樣本梯度下降法的介紹
        3.3.3 小樣本梯度下降法的子樣本集選取
        3.3.4 三種梯度下降算法的噪聲分析和優(yōu)缺點(diǎn)
        3.3.5 梯度下降類(lèi)算法可優(yōu)化的點(diǎn)
    3.4 小結(jié)
第四章 混合推薦模型的融合策略研究
    4.1 引言
    4.2 等權(quán)重融合法
    4.3 有效權(quán)重融合法
    4.4 基于鳥(niǎo)類(lèi)覓食算法的權(quán)重尋優(yōu)研究
        4.4.1 鳥(niǎo)類(lèi)覓食算法
        4.4.2 基于鳥(niǎo)類(lèi)覓食算法的尋優(yōu)權(quán)重融合法
    4.5 小結(jié)
第五章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 數(shù)據(jù)集
    5.2 實(shí)驗(yàn)內(nèi)容
        5.2.1 實(shí)驗(yàn)環(huán)境
        5.2.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        5.2.3 實(shí)驗(yàn)設(shè)計(jì)
    5.3 實(shí)驗(yàn)結(jié)果及分析
        5.3.1 相似度實(shí)驗(yàn)
        5.3.2 隱特征F實(shí)驗(yàn)
        5.3.3 混合模型的預(yù)測(cè)準(zhǔn)確度實(shí)驗(yàn)
    5.4 小結(jié)
結(jié)論
參考文獻(xiàn)
插圖索引
表格索引
算法索引
英文縮略詞
作者簡(jiǎn)歷及在學(xué)期間所取得的科研成果
致謝



本文編號(hào)：3194743