在當(dāng)今大數(shù)據(jù)時(shí)代中,互聯(lián)網(wǎng)高速發(fā)展帶來(lái)了數(shù)據(jù)爆炸增長(zhǎng)以及信息過載問題。推薦系統(tǒng)在提高信息搜索效率、更高效的發(fā)現(xiàn)用戶感興趣物品方面有重要意義。但傳統(tǒng)推薦算法面臨單類數(shù)據(jù)推薦效果差、稀疏數(shù)據(jù)及冷啟動(dòng)處理不完善等問題。本文借鑒了人工免疫系統(tǒng)的免疫識(shí)別、克隆選擇、免疫變異和自適應(yīng)等原理,以提高單類數(shù)據(jù)推薦效果、稀疏數(shù)據(jù)推薦效果、項(xiàng)目冷啟動(dòng)問題推薦效果為對(duì)象,論述了基于人工免疫的推薦算法。針對(duì)單類數(shù)據(jù)中只存在正樣本,導(dǎo)致訓(xùn)練結(jié)果都是正性的問題。本文提出了一種基于人工免疫的單類推薦算法（OCAIS）,OCAIS算法通過本文所提出的正負(fù)樣本添加方法,添加與用戶選擇相關(guān)的正負(fù)樣本,據(jù)此來(lái)有效解決數(shù)據(jù)負(fù)樣本難定義的問題,然后利用人工免疫網(wǎng)絡(luò)對(duì)各活躍度的用戶進(jìn)行聚類,縮減候選鄰居集大小,計(jì)算用戶的最近鄰居集并給出推薦。實(shí)驗(yàn)結(jié)果表明OCAIS算法在面對(duì)單類數(shù)據(jù)時(shí),可以取得比其他傳統(tǒng)單類問題推薦算法更好的推薦效果。針對(duì)傳統(tǒng)矩陣分解算法對(duì)稀疏數(shù)據(jù)進(jìn)行推薦時(shí),常忽略分解前后相似性的關(guān)系的問題。本文提出一種融合相似性關(guān)系的矩陣分解推薦算法（KNNSMF）,該算法在分解過程中把用戶相似性關(guān)系與矩陣分解算法相融合,明確... 

【文章來(lái)源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

協(xié)同過濾推薦過程

4 基于圖結(jié)構(gòu)的推薦在此方面的推薦過程中，通過原始推薦數(shù)據(jù)可獲得對(duì)應(yīng)的二分圖。其中節(jié)點(diǎn)表示用戶用戶和項(xiàng)目通過邊連接起來(lái)，用戶對(duì)項(xiàng)目的評(píng)分也就是邊的權(quán)重。可以基于此圖來(lái)實(shí)目的。表 2.1 原始矩陣 1 2 3 13 0 0 22 4 3 30 1 3 44 0 5用戶和項(xiàng)目在推薦中需要進(jìn)行重點(diǎn)考慮，在此分析過程中可設(shè)用戶集為1 2{ , ,...,U u u 集為1 2{ , ,..., }nI i i i接著基于上表相關(guān)的評(píng)分矩陣來(lái)對(duì)這種算法的流程進(jìn)行描述分析：第一步：確定出二分圖，假設(shè)此系統(tǒng)中含有 m 個(gè)用戶和 n 個(gè)項(xiàng)目，這樣圖中的節(jié)點(diǎn)數(shù)者之和，用戶的評(píng)分也就是邊的權(quán)重。基于上表確定的二分圖，具體如下，其中的節(jié)。

基于人工免疫的推薦算法研究工免疫的單類推薦算法.1 得到了重構(gòu)的單類樣本。本小節(jié)利用人工免疫的原理及方法根。在我們本節(jié)算法中，我們將每個(gè)用戶對(duì)項(xiàng)目的評(píng)分向量作為抗推薦算法尋找鄰居集的流程類似于免疫系統(tǒng)中抗原抗體相互識(shí)別類推薦算法，在這里我們引入形態(tài)空間模型的概念。形態(tài)空間模相關(guān)的空間 S 中。這種空間中的各軸具體表現(xiàn)相關(guān)的測(cè)量方法態(tài)。可通過點(diǎn) S(s S)表示，本文在此方面的研究過程中選擇了字符。在此情況下相關(guān)的各個(gè)免疫細(xì)胞屬性和對(duì)應(yīng)的模型空間特征存在評(píng)價(jià)免疫系統(tǒng)的性能。在這種空間中，各抗原都設(shè)置了不同的位小的變化情況下，對(duì)應(yīng)的抗原位置也會(huì)出現(xiàn)變化。而為實(shí)現(xiàn)準(zhǔn)確空間中的面積應(yīng)該滿足要求。一個(gè)體積為 V 的區(qū)域存在于形態(tài)空間 S 內(nèi)， X 是形狀互補(bǔ)區(qū)域提為抗體能識(shí)別附近一定區(qū)間內(nèi)滿足一定的互補(bǔ)性要求的抗原決

【參考文獻(xiàn)】：
期刊論文
[1]移動(dòng)推薦系統(tǒng)及其應(yīng)用[J]. 孟祥武,胡勛,王立才,張玉潔.  軟件學(xué)報(bào). 2013(01)
[2]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[3]基于混沌和免疫應(yīng)答的增量聚類新算法[J]. 李向華,王鉦旋,呂天陽(yáng),車翔玖.  自動(dòng)化學(xué)報(bào). 2010(02)
[4]協(xié)同過濾推薦算法綜述[J]. 馬宏偉,張光衛(wèi),李鵬.  小型微型計(jì)算機(jī)系統(tǒng). 2009(07)
[5]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)
[6]協(xié)同過濾系統(tǒng)項(xiàng)目冷啟動(dòng)的混合推薦算法[J]. 郭艷紅,鄧貴仕.  計(jì)算機(jī)工程. 2008(23)
[7]基于云模型的協(xié)同過濾推薦算法[J]. 張光衛(wèi),李德毅,李鵬,康建初,陳桂生.  軟件學(xué)報(bào). 2007(10)

碩士論文
[1]基于矩陣分解的協(xié)同過濾推薦算法研究[D]. 張川.吉林大學(xué) 2013
[2]Web挖掘技術(shù)在電子商務(wù)推薦系統(tǒng)中的研究與應(yīng)用[D]. 謝靜.廣西大學(xué) 2011
[3]基于特征向量的個(gè)性化推薦算法研究[D]. 杜定宇.重慶大學(xué) 2011



本文編號(hào)：3217889