在當(dāng)今電子商務(wù)平臺迅速發(fā)展的背景下,協(xié)同過濾算法作為電子商務(wù)中應(yīng)用最普遍的個性化推薦之一,它已經(jīng)在人們選擇商品時為用戶減少了許多寶貴的時間。但是它仍然有很多問題需要解決和改善,例如數(shù)據(jù)的稀疏性問題、新項目或新用戶的冷啟動問題、推薦覆蓋率不足等問題。.這些問題還需要研究人員繼續(xù)努力改進,本文作者提出了自己的改進方案,具體的主要工作有:（1）提出了一種使用項目屬性計算項目間相似度,結(jié)合用戶的評分特性綜合計算預(yù)測評分,并考慮到評分?jǐn)?shù)據(jù)更加極端稀疏的情況下使用的混合預(yù)處理填充方案。隨著推薦系統(tǒng)規(guī)模的增長,系統(tǒng)數(shù)據(jù)會出現(xiàn)稀疏性問題,針對這類問題本文提出了相應(yīng)的改進方案。傳統(tǒng)的協(xié)同過濾算法在計算用戶或項目間相似度時只考慮到用戶的評分?jǐn)?shù)據(jù),單純依賴某一種數(shù)據(jù)參數(shù)計算相似度的方式有很多弊端。比如,在評分?jǐn)?shù)據(jù)極度缺乏時,在計算相似度過程中可能會因為用戶間共同評分的項目過少導(dǎo)致最終相似度為0;或者在新項目剛剛加入系統(tǒng)時,因為新項目沒有任何用戶評分導(dǎo)致無法計算與其他項目間的相似度。（2）提出了 一種既考慮用戶的屬性特征,又結(jié)合用戶對項目的評分?jǐn)?shù)據(jù)的協(xié)同過濾算法。傳統(tǒng)協(xié)同過濾算法在計算相似度并選擇最近鄰時只依... 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 課題研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第二章 傳統(tǒng)協(xié)同過濾算法
    2.1 協(xié)同過濾算法主要思想
    2.2 協(xié)同過濾算法的分類
        2.2.1 基于用戶的協(xié)同過濾算法
        2.2.2 基于項目的協(xié)同過濾算法
        2.2.3 兩種協(xié)同過濾算法的比較
    2.3 協(xié)同過濾推薦算法的詳細(xì)流程
        2.3.1 建立“用戶-項目”評分矩陣
        2.3.2 選取最近鄰
        2.3.3 由最近鄰綜合預(yù)測得分
    2.4 推薦系統(tǒng)的評價體系
    2.5 本章小結(jié)
第三章 改進的混合填充方法
    3.1 傳統(tǒng)協(xié)同過濾算法存在的問題
        3.1.1 冷啟動問題和數(shù)據(jù)稀疏問題
        3.1.2 推薦多樣性問題
    3.2 結(jié)合項目屬性的混合填充方法
        3.2.1 改進算法的提出依據(jù)
        3.2.2 改進算法的思路
        3.2.3 改進算法的敘述
    3.3 實驗描述及結(jié)果分析
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)
        3.3.3 實驗評估指標(biāo)
        3.3.4 實驗結(jié)果及分析
    3.4 本章小結(jié)
第四章 改進的混合協(xié)同過濾算法
    4.1 結(jié)合項目評分和用戶屬性的協(xié)同過濾算法
        4.1.1 改進算法的提出依據(jù)
        4.1.2 改進算法的思路
        4.1.3 改進算法的敘述
    4.2 實驗描述及結(jié)果分析
        4.2.1 實驗環(huán)境、數(shù)據(jù)及評估指標(biāo)
        4.2.2 實驗結(jié)果及其分析
    4.3 本章小結(jié)
第五章 系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 數(shù)據(jù)集完善
    5.2 系統(tǒng)整體設(shè)計
    5.3 數(shù)據(jù)庫設(shè)計
    5.4 系統(tǒng)時序關(guān)系
    5.5 電影推薦系統(tǒng)的設(shè)計與實現(xiàn)
        5.5.1 登錄/注冊頁面
        5.5.2 電影推薦系統(tǒng)主頁
        5.5.3 個人主頁
    5.6 后臺管理系統(tǒng)的設(shè)計與實現(xiàn)
        5.6.1 登錄頁面
        5.6.2 后臺管理系統(tǒng)主頁
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 未來展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于標(biāo)簽聚類與項目主題的協(xié)同過濾推薦算法[J]. 李昊陽,符云清.  計算機科學(xué). 2018(04)
[2]拼多多:一個消費降級巨頭的誕生[J]. 徐庭芳,毛可馨.  中國中小企業(yè). 2018(03)
[3]一種基于協(xié)同矩陣分解的用戶冷啟動推薦算法[J]. 高玉凱,王新華,郭磊,陳竹敏.  計算機研究與發(fā)展. 2017(08)
[4]改進Pearson相關(guān)系數(shù)的個性化推薦算法[J]. 陳功平,王紅.  山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2016(06)
[5]一種改進的缺失數(shù)據(jù)協(xié)同過濾推薦算法[J]. 周明升,韓冬梅.  微型機與應(yīng)用. 2016(17)
[6]基于余弦相似度模型的最佳教練遴選算法[J]. 陳大力,沈巖濤,謝檳竹,馬穎異.  東北大學(xué)學(xué)報(自然科學(xué)版). 2014(12)
[7]一種基于協(xié)作過濾的電影推薦方法[J]. 陳天昊,帥建梅,朱明.  計算機工程. 2014(01)
[8]基于云計算的海量數(shù)據(jù)挖掘研究[J]. 賀瑤,王文慶,薛飛.  計算機技術(shù)與發(fā)展. 2013(02)
[9]優(yōu)化稀疏數(shù)據(jù)集提高協(xié)同過濾推薦系統(tǒng)質(zhì)量的方法[J]. 劉慶鵬,陳明銳.  計算機應(yīng)用. 2012(04)
[10]基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法[J]. 楊陽,向陽,熊磊.  計算機應(yīng)用. 2012(02)

博士論文
[1]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]面向稀疏數(shù)據(jù)優(yōu)化的協(xié)同過濾推薦算法[D]. 陳宗言.南京郵電大學(xué) 2017
[2]基于用戶偏好與信任網(wǎng)絡(luò)的協(xié)同過濾算法的研究[D]. 劉先亮.湖南大學(xué) 2017
[3]云計算環(huán)境下的協(xié)同過濾算法研究與實現(xiàn)[D]. 李映.蘭州交通大學(xué) 2016
[4]基于分類驅(qū)動推薦算法的電影推薦系統(tǒng)的研究與應(yīng)用[D]. 尚雪峰.電子科技大學(xué) 2017
[5]個性化推薦中協(xié)同過濾算法研究[D]. 路春霞.北京交通大學(xué) 2016
[6]基于云計算的個性化推薦系統(tǒng)關(guān)鍵技術(shù)研究[D]. 代晨旭.華北理工大學(xué) 2016
[7]面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法研究[D]. 張學(xué)勝.中國科學(xué)技術(shù)大學(xué) 2011



本文編號：3203571