隨著互聯(lián)網(wǎng)與大數(shù)據(jù)的不斷發(fā)展,人們快速獲取有用信息的難度不斷增大。推薦系統(tǒng)作為有效緩解信息超載的工具之一,不僅可以為用戶快速獲取感興趣的信息,同時也具有巨大的商業(yè)價值。然而,系統(tǒng)中龐大的用戶和項目、稀疏的用戶評分數(shù)據(jù),導致計算復雜度大,模型構(gòu)建不精確,推薦性能低下。針對上述存在的挑戰(zhàn),本文提出了兩種相似用戶劃分方法,并在此基礎上提出一種基于譜聚類的低秩矩陣填充的推薦算法。本文的主要研究工作如下:（1）提出了歸一化評分矢量跟蹤用戶偏好記錄的方法,減少評分稀疏對用戶之間相似性計算的影響。提出兩種相似用戶劃分方法:基于位置敏感的哈希函數(shù)分類算法和基于圖論的譜聚類算法,將原始用戶項目矩陣劃分為多個子矩陣。（2）提出基于譜聚類的低秩矩陣填充算法�；谧V聚類的相似用戶劃分方法,為進一步提高用戶評分率,減少子矩陣的規(guī)模,對與目標用戶無關(guān)的列進行修剪,提出一種聯(lián)合優(yōu)化模型,通過優(yōu)化構(gòu)建的目標損失函數(shù),確定使算法達到最優(yōu)推薦的參數(shù)分類數(shù)和修剪率。最后應用矩陣填充算法。真實數(shù)據(jù)集實驗結(jié)果表明,本文提出的兩種分類算法能有效提高相似用戶的劃分準確度。在譜聚類分類算法的基礎上,提出的低秩矩陣填充聯(lián)合優(yōu)化算法,能... 

【文章來源】：安徽工業(yè)大學安徽省

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

一般完整推薦系統(tǒng)組成圖

圖 2.2 基于近鄰的協(xié)同過濾推薦原理圖 k 近鄰，是協(xié)同過濾推薦算法的一個實；其主要缺點是可擴展性低和易受推薦表明，當系統(tǒng)中的評分數(shù)據(jù)非常稀疏時濾往往難以準確度量用戶（項目）之間準確，使得推薦的性能受到嚴重影響。濾推薦算法，首先根據(jù)相似項目初步預測相似性計算的影響。在此基礎上，提出的相似性。協(xié)同過濾利用的是用戶精確確，但由于無法解決系統(tǒng)中新產(chǎn)品和新擾[29]。過發(fā)現(xiàn)用戶的消費偏好來提供個性化項不是靜止而是隨著時間改變的。在文獻[為的關(guān)系相互強化。具體來說，用戶的

技術(shù)依據(jù)內(nèi)容信息，在某種程度上說是信息過濾著重構(gòu)建描述項目特征的文檔，通過匹配用測[ 40,41 ]�；趦�(nèi)容的推薦算法首先收集用戶為每個用戶或項目創(chuàng)建一個配置文件以表征型、參與的演員、票房受歡迎程度等屬性；、職業(yè)等屬性[35]。系統(tǒng)通過配置文件將用戶過去已經(jīng)評價的項目，提取其中存在的特征如圖 2.3 所示，當用戶喜歡 A 時，項目 A 和項發(fā)現(xiàn) A 和 B 相似，則把項目 B 推薦給用戶。例作為特征�；趦�(nèi)容的推薦構(gòu)建的用戶文件如決策樹，神經(jīng)網(wǎng)絡和基于矢量的表示等。

【參考文獻】：
期刊論文
[1]一種新的用于跨領域推薦的遷移學習模型[J]. 王俊,李石君,楊莎,金紅,余偉.  計算機學報. 2017(10)
[2]基于聯(lián)合概率矩陣分解的上下文廣告推薦算法[J]. 涂丹丹,舒承椿,余海燕.  軟件學報. 2013(03)
[3]上下文感知推薦系統(tǒng)[J]. 王立才,孟祥武,張玉潔.  軟件學報. 2012(01)
[4]兩階段聯(lián)合聚類協(xié)同過濾算法[J]. 吳湖,王永吉,王哲,王秀利,杜栓柱.  軟件學報. 2010(05)
[5]密度敏感的半監(jiān)督譜聚類[J]. 王玲,薄列峰,焦李成.  軟件學報. 2007(10)
[6]國外信息過濾系統(tǒng)的研究綜述[J]. 程妮,崔建海,王軍.  現(xiàn)代圖書情報技術(shù). 2005(06)
[7]基于項目評分預測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚勇,施伯樂.  軟件學報. 2003(09)



本文編號：3240527