發(fā)布時間：2021-08-14 06:06

　　隨著信息技術(shù)的進步和發(fā)展,“信息過載”問題日益突出。該問題導(dǎo)致人們獲取所需信息的時間和人工成本等大大增加。針對此問題,目前最有效的解決方法就是個性化推薦。協(xié)同過濾作為應(yīng)用最廣泛的推薦算法之一,經(jīng)過大量的研究和改進,目前仍存在以下幾個問題影響著推薦結(jié)果的準(zhǔn)確性:（1）評分?jǐn)?shù)據(jù)稀疏;（2）評分差異導(dǎo)致近鄰選擇不夠合理;（3）難以捕獲用戶偏好和興趣變化。針對上述問題,本文的主要研究工作如下:1.針對評分?jǐn)?shù)據(jù)稀疏問題,目前常用的是填充解決方案,然而這些填充方法未充分考慮用戶偏好和項目差異。本文對此進行了改進,提出了基于用戶偏好的改進填充算法。該算法從兩方面進行了改進,一是根據(jù)用戶評分計算用戶對不同物品屬性的偏好權(quán)重和評分均值,然后使用上述結(jié)果計算填充項的值并填補矩陣。二是針對目標(biāo)用戶的不同,改進項目相似度計算,從而得到更合理的近鄰。2.通過分析評分差異問題可知,該問題主要影響了相似度計算結(jié)果的可靠性,從而導(dǎo)致推薦結(jié)果的不理想。本文對此進行了改進,提出了基于用戶評分差異的改進推薦算法。該算法首先采用修正余弦相似度計算將用戶的評分均值作為評分準(zhǔn)則,然后引入了用戶影響因子和項目影響因子來修正了不同用... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

三種相似度計算方法的性能對比

重慶郵電大學(xué)碩士學(xué)位論文第3章考慮用戶偏好和評分差異的推薦算法44實驗2：驗證本文3.3.1節(jié)提出的融合用戶偏好的矩陣填充算法(UserPreferenceRatingFillingAlgorithm,UPRF)的有效性。通過從訓(xùn)練數(shù)據(jù)中隨機選出一些已評分電影作為評分缺失項，然后分別采用用戶評分均值填充法(UserRatingMeanFillingAlgorithm,URA)，項目評分均值填充法(ItemRatingMeanFillingAlgorithm,IRA)，文獻[60]提出的融合用戶興趣評分填充法(UserInterestRatingFillingAlgorithm,UIR)和本文的融合用戶偏好評分填充法(UserPreferenceRatingFillingAlgorithm,UPRF)填充評分矩陣的缺失項。實驗時從用戶所有的已評分項目中隨機抽取項目集作為為評分項目集合，在用戶集合大小不同的情況下，采用以上介紹的四種方法進行填充，根據(jù)最后的填充結(jié)果計算在不同大小的用戶集下的MAE值如表3.13所示，實驗結(jié)果如圖3.3所示。表3.13常用填充算法的MAE值比較URAIRAUIRUPRF50U1.0461.0390.9480.921100U1.0011.0380.8600.854300U0.9610.95608560.845500U0.9590.9770.8820.866allU0.9941.0010.8970.878圖3.3常用填充算法的MAE比較從圖3.3能夠看出，隨著用戶集規(guī)模大小的變化，四種算法的MAE都剛開始都逐步下降，然后再慢慢上升。這是因為用戶集合的大小都需要在一個合適的范圍內(nèi)，用戶集合規(guī)模偏小會使填充數(shù)值與真實值之間的誤差影響被放大，導(dǎo)致推薦結(jié)

重慶郵電大學(xué)碩士學(xué)位論文第3章考慮用戶偏好和評分差異的推薦算法45果的精度受到影響；其次，用戶集合規(guī)模偏大又會出現(xiàn)數(shù)據(jù)稀疏問題，雖然采用UPB算法對評分進行填充可以緩解由數(shù)據(jù)稀疏導(dǎo)致的近鄰查找不準(zhǔn)確的問題，但UPB算法并不會對所有未評分項目進行填充，僅填充符合條件的未評分項。隨著用戶集合變大，評分矩陣的稠密度會有所下降，因此會引起一定的誤差從而導(dǎo)致推薦結(jié)果的準(zhǔn)確度略有降低。用戶集合過大或過小都影響推薦精度。即便如此，在用戶集合大小不同的情況下，采取本文的UPB算法填充評分缺失項的MAE值都比其他三種填充方法小，準(zhǔn)確度平均提升了8.82%。說明在填充用戶評分缺失項時考慮用戶的偏好可以獲得更好的推薦。實驗3：驗證本文第三章提出的兩種改進算法，UPB算法和RDB算法的有效性。首先將近鄰數(shù)分別設(shè)置為10、20、30、40、50、60、70、80、90，分別采用傳統(tǒng)的UBCF算法、IBCF算法、以及本文提出的UPB算法和RDB算法進行實驗，根據(jù)結(jié)果計算采用這四種算法的MAE值，其結(jié)果如圖3.4所示。圖3.4UPB和RDB改進算法性能比較圖3.4的實驗結(jié)果證明了本文提出的UPB、RDB算法的可行性和有效性。UBCF與UPB的結(jié)果進行對比可以看出，UPB算法與UBCF算法相比，推薦精確度平均提升了4.75%；UBCF與RDB的結(jié)果進行對比可以看出，RDB算法與UBCF算法相比，推薦精確度提升了6%~9.1%；IBCF與UPB的結(jié)果進行對比可以看出，

【參考文獻】：
期刊論文
[1]融合用戶興趣和評分差異的協(xié)同過濾推薦算法[J]. 陸航,師智斌,劉忠寶.  計算機工程與應(yīng)用. 2020(07)
[2]基于用戶興趣評分填充的改進混合推薦方法[J]. 李征,段壘.  工程科學(xué)與技術(shù). 2019(01)
[3]An Improved Hybrid Collaborative Filtering Algorithm Based on Tags and Time Factor[J]. Chunxia Zhang,Ming Yang,Jing Lv,Wanqi Yang.  Big Data Mining and Analytics. 2018(02)
[4]改進的基于用戶的協(xié)同過濾算法[J]. 張世顯,李平.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2017(06)
[5]基于商品屬性值和用戶特征的協(xié)同過濾推薦算法[J]. 高長元,黃凱,王京,張樹臣.  計算機工程與科學(xué). 2017(12)
[6]結(jié)合非負(fù)矩陣填充及子集劃分的協(xié)同推薦算法[J]. 袁衛(wèi)華,王紅,杜向華.  小型微型計算機系統(tǒng). 2017(12)
[7]基于相似性填充和信任因子的協(xié)同過濾算法[J]. 王建芳,谷振鵬,劉冉東,劉永利.  計算機應(yīng)用與軟件. 2017(10)
[8]融合項目聚類和時間權(quán)重的動態(tài)協(xié)同過濾算法[J]. 吳佳煒,沈玲玲,錢鋼.  南京師范大學(xué)學(xué)報(工程技術(shù)版). 2017(03)
[9]基于用戶興趣變化的隱語義協(xié)同過濾算法[J]. 汪佩,梁立,甘健侯.  云南師范大學(xué)學(xué)報(自然科學(xué)版). 2017(04)
[10]一種SVD和信任因子相結(jié)合的協(xié)同過濾算法[J]. 王建芳,李驍,武文琪,劉永利.  小型微型計算機系統(tǒng). 2017(06)

碩士論文
[1]推薦算法中冷啟動問題的研究與實現(xiàn)[D]. 劉璐.北京郵電大學(xué) 2019
[2]基于協(xié)同過濾的推薦算法研究[D]. 潘濤濤.解放軍信息工程大學(xué) 2017
[3]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



本文編號：3341921