基于用戶評(píng)論和聚類的協(xié)同過(guò)濾推薦算法研究
發(fā)布時(shí)間:2021-05-21 22:39
推薦系統(tǒng)通過(guò)挖掘用戶與物品之間已知的交互信息,利用推薦算法預(yù)測(cè)用戶對(duì)于未打分物品的評(píng)分,將預(yù)測(cè)評(píng)分較高的物品作為用戶可能感興趣的物品推薦給用戶,在信息過(guò)載的今天能夠讓用戶快速發(fā)現(xiàn)自己喜愛(ài)的物品,同時(shí)也為企業(yè)帶來(lái)盈利。在眾多預(yù)測(cè)評(píng)分的推薦算法中,協(xié)同過(guò)濾算法通過(guò)充分挖掘用戶與用戶、物品與物品之間的相似關(guān)系去預(yù)測(cè)用戶對(duì)于未打分物品的評(píng)分,成為了最為廣泛研究和應(yīng)用的評(píng)分預(yù)測(cè)算法。早期的協(xié)同過(guò)濾算法都只考慮了評(píng)分信息,使得協(xié)同過(guò)濾算法在預(yù)測(cè)評(píng)分時(shí)挖掘的信息過(guò)少,造成了評(píng)分預(yù)測(cè)的準(zhǔn)確率較低,并且預(yù)測(cè)結(jié)果也沒(méi)有合理的解釋性。隨著網(wǎng)絡(luò)上的用戶評(píng)論信息日益豐富,越來(lái)越多的研究者將這些信息加入到協(xié)同過(guò)濾算法模型中,試圖提高評(píng)分預(yù)測(cè)的準(zhǔn)確率及推薦結(jié)果的可解釋性,這使得基于用戶評(píng)論信息的協(xié)同過(guò)濾算法逐漸成為了推薦系統(tǒng)領(lǐng)域的研究熱點(diǎn)。然而,大部分基于用戶評(píng)論信息的協(xié)同過(guò)濾算法雖然采用各種方法將用戶的評(píng)分與評(píng)論信息連接起來(lái),但在用戶物品彼此的關(guān)系上都將用戶和物品看作沒(méi)有關(guān)聯(lián)的獨(dú)立個(gè)體,缺少用戶與物品之間共性的挖掘。在實(shí)際的應(yīng)用場(chǎng)景中,同一種類商品下的用戶按照各自的偏好可以聚集成一個(gè)個(gè)群組,每個(gè)群組內(nèi)的用戶具有相...
【文章來(lái)源】:吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:60 頁(yè)
【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
1.1.1 研究意義及目的
1.1.2 研究現(xiàn)狀
1.2 研究?jī)?nèi)容及工作
1.3 論文組織結(jié)構(gòu)
第2章 相關(guān)基礎(chǔ)理論知識(shí)
2.1 隱狄利克雷分配模型
2.1.1 早期主題模型概述
2.1.2 LDA模型建模概述
2.1.3 LDA模型的學(xué)習(xí)算法
2.2 矩陣分解模型
2.2.1 矩陣分解模型概述
2.2.2 矩陣分解模型的學(xué)習(xí)算法
2.3 隱因子主題模型
2.3.1 隱因子主題模型概述
2.3.2 隱因子主題模型的學(xué)習(xí)算法
2.4 本章小結(jié)
第3章 基于隱狄利克雷分配的矩陣分解算法(LDA-MF)
3.1 引言
3.2 單因素聚類的協(xié)同過(guò)濾算法
3.3 基于隱狄利克雷分配的矩陣分解算法
3.4 LDA-MF算法實(shí)驗(yàn)
3.4.1 實(shí)驗(yàn)概述
3.4.2 實(shí)驗(yàn)數(shù)據(jù)集
3.4.3 對(duì)比算法與評(píng)測(cè)標(biāo)準(zhǔn)
3.4.4 實(shí)驗(yàn)準(zhǔn)備階段
3.4.5 實(shí)驗(yàn)結(jié)果展示
3.4.6 用戶聚類個(gè)數(shù)對(duì)預(yù)測(cè)準(zhǔn)確率的影響
3.5 用戶特征詞挖掘與推薦解釋探究
3.6 本章小結(jié)
第4章 基于用戶物品協(xié)同聚類的推薦算法(UICC)
4.1 引言
4.2 基于用戶物品協(xié)同聚類的推薦算法
4.3 UICC算法實(shí)驗(yàn)
4.3.1 實(shí)驗(yàn)概述
4.3.2 實(shí)驗(yàn)數(shù)據(jù)集
4.3.3 對(duì)比算法與評(píng)測(cè)標(biāo)準(zhǔn)
4.3.4 實(shí)驗(yàn)準(zhǔn)備階段
4.3.5 實(shí)驗(yàn)結(jié)果展示
4.3.6 群組聚類個(gè)數(shù)對(duì)預(yù)測(cè)準(zhǔn)確率的影響
4.4 模型可擴(kuò)展性研究
4.5 本章小結(jié)
第5章 結(jié)論與展望
5.1 結(jié)論
5.2 展望
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間所取得的科研成果
致謝
本文編號(hào):3200500
【文章來(lái)源】:吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:60 頁(yè)
【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
1.1.1 研究意義及目的
1.1.2 研究現(xiàn)狀
1.2 研究?jī)?nèi)容及工作
1.3 論文組織結(jié)構(gòu)
第2章 相關(guān)基礎(chǔ)理論知識(shí)
2.1 隱狄利克雷分配模型
2.1.1 早期主題模型概述
2.1.2 LDA模型建模概述
2.1.3 LDA模型的學(xué)習(xí)算法
2.2 矩陣分解模型
2.2.1 矩陣分解模型概述
2.2.2 矩陣分解模型的學(xué)習(xí)算法
2.3 隱因子主題模型
2.3.1 隱因子主題模型概述
2.3.2 隱因子主題模型的學(xué)習(xí)算法
2.4 本章小結(jié)
第3章 基于隱狄利克雷分配的矩陣分解算法(LDA-MF)
3.1 引言
3.2 單因素聚類的協(xié)同過(guò)濾算法
3.3 基于隱狄利克雷分配的矩陣分解算法
3.4 LDA-MF算法實(shí)驗(yàn)
3.4.1 實(shí)驗(yàn)概述
3.4.2 實(shí)驗(yàn)數(shù)據(jù)集
3.4.3 對(duì)比算法與評(píng)測(cè)標(biāo)準(zhǔn)
3.4.4 實(shí)驗(yàn)準(zhǔn)備階段
3.4.5 實(shí)驗(yàn)結(jié)果展示
3.4.6 用戶聚類個(gè)數(shù)對(duì)預(yù)測(cè)準(zhǔn)確率的影響
3.5 用戶特征詞挖掘與推薦解釋探究
3.6 本章小結(jié)
第4章 基于用戶物品協(xié)同聚類的推薦算法(UICC)
4.1 引言
4.2 基于用戶物品協(xié)同聚類的推薦算法
4.3 UICC算法實(shí)驗(yàn)
4.3.1 實(shí)驗(yàn)概述
4.3.2 實(shí)驗(yàn)數(shù)據(jù)集
4.3.3 對(duì)比算法與評(píng)測(cè)標(biāo)準(zhǔn)
4.3.4 實(shí)驗(yàn)準(zhǔn)備階段
4.3.5 實(shí)驗(yàn)結(jié)果展示
4.3.6 群組聚類個(gè)數(shù)對(duì)預(yù)測(cè)準(zhǔn)確率的影響
4.4 模型可擴(kuò)展性研究
4.5 本章小結(jié)
第5章 結(jié)論與展望
5.1 結(jié)論
5.2 展望
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間所取得的科研成果
致謝
本文編號(hào):3200500
本文鏈接:http://sikaile.net/kejilunwen/shengwushengchang/3200500.html
最近更新
教材專著