隨著信息技術(shù)的進(jìn)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(shí)間和人工成本等大大增加。針對(duì)此問題,目前最有效的解決方法就是個(gè)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(jìn),目前仍存在以下幾個(gè)問題影響著推薦結(jié)果的準(zhǔn)確性:（1）評(píng)分?jǐn)?shù)據(jù)稀疏;（2）評(píng)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(duì)上述問題,本文的主要研究工作如下:1.針對(duì)評(píng)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(xiàng)目差異。本文對(duì)此進(jìn)行了改進(jìn),提出了基于用戶偏好的改進(jìn)填充算法。該算法從兩方面進(jìn)行了改進(jìn),一是根據(jù)用戶評(píng)分計(jì)算用戶對(duì)不同物品屬性的偏好權(quán)重和評(píng)分均值,然后使用上述結(jié)果計(jì)算填充項(xiàng)的值并填補(bǔ)矩陣。二是針對(duì)目標(biāo)用戶的不同,改進(jìn)項(xiàng)目相似度計(jì)算,從而得到更合理的近鄰。2.通過分析評(píng)分差異問題可知,該問題主要影響了相似度計(jì)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(duì)此進(jìn)行了改進(jìn),提出了基于用戶評(píng)分差異的改進(jìn)推薦算法。該算法首先采用修正余弦相似度計(jì)算將用戶的評(píng)分均值作為評(píng)分準(zhǔn)則,然后引入了用戶影響因子和項(xiàng)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(jí)別】：碩士

【部分圖文】：

三種相似度計(jì)算方法的性能對(duì)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(píng)分差異的推薦算法44實(shí)驗(yàn)2：驗(yàn)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(jī)選出一些已評(píng)分電影作為評(píng)分缺失項(xiàng)，然后分別采用用戶評(píng)分均值填充法(UserRatingMeanFillingAlgorithm,URA)，項(xiàng)目評(píng)分均值填充法(ItemRatingMeanFillingAlgorithm,IRA)，文獻(xiàn)[60]提出的融合用戶興趣評(píng)分填充法(UserInterestRatingFillingAlgorithm,UIR)和本文的融合用戶偏好評(píng)分填充法(UserPreferenceRatingFillingAlgorithm,UPRF)填充評(píng)分矩陣的缺失項(xiàng)。實(shí)驗(yàn)時(shí)從用戶所有的已評(píng)分項(xiàng)目中隨機(jī)抽取項(xiàng)目集作為為評(píng)分項(xiàng)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(jìn)行填充，根據(jù)最后的填充結(jié)果計(jì)算在不同大小的用戶集下的MAE值如表3.13所示，實(shí)驗(yàn)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?yàn)橛脩艏系拇笮《夹枰谝粋�(gè)合適的范圍內(nèi)，用戶集合規(guī)模偏小會(huì)使填充數(shù)值與真實(shí)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(píng)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(huì)出現(xiàn)數(shù)據(jù)稀疏問題，雖然采用UPB算法對(duì)評(píng)分進(jìn)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(huì)對(duì)所有未評(píng)分項(xiàng)目進(jìn)行填充，僅填充符合條件的未評(píng)分項(xiàng)。隨著用戶集合變大，評(píng)分矩陣的稠密度會(huì)有所下降，因此會(huì)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(píng)分缺失項(xiàng)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(píng)分缺失項(xiàng)時(shí)考慮用戶的偏好可以獲得更好的推薦。實(shí)驗(yàn)3：驗(yàn)證本文第三章提出的兩種改進(jìn)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(jìn)行實(shí)驗(yàn)，根據(jù)結(jié)果計(jì)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(jìn)算法性能比較圖3.4的實(shí)驗(yàn)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(jìn)行對(duì)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(jìn)行對(duì)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(jìn)行對(duì)比可以看出，

【參考文獻(xiàn)】：
期刊論文
[1]融合用戶興趣和評(píng)分差異的協(xié)同過濾推薦算法[J]. 陸航,師智斌,劉忠寶.  計(jì)算機(jī)工程與應(yīng)用. 2020(07)
[2]基于用戶興趣評(píng)分填充的改進(jìn)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(jìn)的基于用戶的協(xié)同過濾算法[J]. 張世顯,李平.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(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(zhǎng)元,黃凱,王京,張樹臣.  計(jì)算機(jī)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(jì)算機(jī)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(jì)算機(jī)應(yīng)用與軟件. 2017(10)
[8]融合項(xiàng)目聚類和時(shí)間權(quán)重的動(dòng)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(bào)(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(bào)(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(jì)算機(jī)系統(tǒng). 2017(06)

碩士論文
[1]推薦算法中冷啟動(dòng)問題的研究與實(shí)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(gè)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(hào)：3341921