隨著計算機的迅速發(fā)展和網(wǎng)絡技術的更迭運行,互聯(lián)網(wǎng)逐漸進入人們的日常生活,并完全改變了人們訪問信息的方式方法。大量的網(wǎng)絡信息確實能提供很多價值,但是大多數(shù)消費者會被各種各樣的選擇所困擾,并且這些龐大的信息容易產(chǎn)生“信息過載”的現(xiàn)象,不能被更有效地利用,還會使用戶查找相關信息變得越來越難。這個時候推薦系統(tǒng)的地位就突出了,推薦系統(tǒng)（RS）已被證明是有效的電子商務工具,它提供個性化推薦的技術,能夠幫助用戶選擇具有吸引力的產(chǎn)品。到目前為止,推薦系統(tǒng)已經(jīng)成功在電子商務中找到了應用,例如書籍推薦在amazon.com,電影推薦在 Netflix.com,等等。在眾多推薦技術中,協(xié)同過濾（CF）是RS中最廣泛使用的也是設計最成功的方法,但目前還是存在一定的缺點,如數(shù)據(jù)稀疏性的問題還在困擾著推薦性能的精確度提升。因此,本文基于傳統(tǒng)協(xié)同過濾推薦技術,對其出現(xiàn)的問題進行深入研究和分析,主要研究內容如下:（1）本文介紹了協(xié)同過濾算法的歷史發(fā)展歷程還有近些年的發(fā)展成果,還介紹了相關推薦技術,包括常見的幾種推薦算法。分析了目前還存在于推薦系統(tǒng)的幾個問題,在數(shù)據(jù)稀疏的問題基礎上改進,提出基于用戶評分差異性的信息熵計... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

圖２－１推薦系統(tǒng)模型??

推薦系統(tǒng)理論與相關技術??推薦系統(tǒng)一般由３個部分組成：獲取用戶偏好模塊、建立推薦對象模型模塊、??推薦算法模塊。推薦系統(tǒng)的模型結構如圖２－１所示。??從圖２－１中可以看出，推薦系統(tǒng)是從那里采集信息，并對這些信息進行計算，??建立模型，再使用推薦算法后把推薦結果傳遞給用戶，它是處理用戶與信息之間??的橋梁。??（?ＳＷ?ＯＭ－Ｊ－ｇＳ?［ａ??＿ｓ?ＦＩ—??ｉ瘡你落歡?＾??身獨｜?ｌ?＿囑Ｋ??２〇ｉ?雀式當愁ｋ讀沒：繡花ｓｒ在紗?曰本典送ｔｖｏｕｉｎｏＮ?ｔｏｙ?ｄａ?渰氓職位羚厴女跑步迗動睽眞跑?扣１７春秋冬新澈男女？韓你馬??子頭匡？與牛皮黑米白笆雄跟舒Ｍ?簾萏庁Ｉ丨室Ｓ５７５？布？？￡制拍工?ＯＰ０２艱苽大３：Ｅ龍超＋８〇ｃｍ?蓉裝女眷ｓ季?丁?ＪＷ英坨Ｒ低萊軟里慶沾斯情侶??－２５６?．１７８?？１２７３?ＣＳＳ?？７９?ｉ峨．？■你?＊２１０??■Ｍｉｆ；?Ｗｉｎｄｏｗｓ??ｙ，?？；＇＊＊��？．?；Ｓｅ｝Ｊｙ?ｖｖｉｎｄｃ＞＇．＾．??ｍ：：ｉ?ｗｍｍａｍｍｍ?ｕｓｍｍ?．丨―－－？．．??圖２－２淘寶的推薦頁面??Ｆｉｇｕｒｅ?２－２?Ｔａｏｂａｏ＇ｓ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｐａｇｅ??’?Ｆ?京樂?夏?．：＂Ｍ?＇Ｑ｜??￣￣ＩＢｉｉ＾￣￣…丨＂「丨ｉｒＨＩＴＩＩｉ＇ｎ＂＇１ＵＬｉｉｉｉｉｉｉ?￣￣＾??—還沒逛夠一??〇…．．．＂ｂ…＂ｒ：?Ｈ??＿?■?驪『ｓ??Ｅｌ＊？太ｓｒ？－挪ｓｓ?—ａｙ—￣?—?＂－Ｈ?Ｅ３ＰＩ：：?Ｈ??艦ｍｏ?抑－下倘鮮；?ｍ?ｈ＾ｘｍ：＾?＾?．?｜?；?

推薦系統(tǒng)理論與相關技術??推薦系統(tǒng)一般由３個部分組成：獲取用戶偏好模塊、建立推薦對象模型模塊、??推薦算法模塊。推薦系統(tǒng)的模型結構如圖２－１所示。??從圖２－１中可以看出，推薦系統(tǒng)是從那里采集信息，并對這些信息進行計算，??建立模型，再使用推薦算法后把推薦結果傳遞給用戶，它是處理用戶與信息之間??的橋梁。??（?ＳＷ?ＯＭ－Ｊ－ｇＳ?［ａ??＿ｓ?ＦＩ—??ｉ瘡你落歡?＾??身獨｜?ｌ?＿囑Ｋ??２〇ｉ?雀式當愁ｋ讀沒：繡花ｓｒ在紗?曰本典送ｔｖｏｕｉｎｏＮ?ｔｏｙ?ｄａ?渰氓職位羚厴女跑步迗動睽眞跑?扣１７春秋冬新澈男女？韓你馬??子頭匡？與牛皮黑米白笆雄跟舒Ｍ?簾萏庁Ｉ丨室Ｓ５７５？布？？￡制拍工?ＯＰ０２艱苽大３：Ｅ龍超＋８〇ｃｍ?蓉裝女眷ｓ季?丁?ＪＷ英坨Ｒ低萊軟里慶沾斯情侶??－２５６?．１７８?？１２７３?ＣＳＳ?？７９?ｉ峨．？■你?＊２１０??■Ｍｉｆ；?Ｗｉｎｄｏｗｓ??ｙ，?？；＇＊＊��？．?；Ｓｅ｝Ｊｙ?ｖｖｉｎｄｃ＞＇．＾．??ｍ：：ｉ?ｗｍｍａｍｍｍ?ｕｓｍｍ?．丨―－－？．．??圖２－２淘寶的推薦頁面??Ｆｉｇｕｒｅ?２－２?Ｔａｏｂａｏ＇ｓ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｐａｇｅ??’?Ｆ?京樂?夏?．：＂Ｍ?＇Ｑ｜??￣￣ＩＢｉｉ＾￣￣…丨＂「丨ｉｒＨＩＴＩＩｉ＇ｎ＂＇１ＵＬｉｉｉｉｉｉｉ?￣￣＾??—還沒逛夠一??〇…．．．＂ｂ…＂ｒ：?Ｈ??＿?■?驪『ｓ??Ｅｌ＊？太ｓｒ？－挪ｓｓ?—ａｙ—￣?—?＂－Ｈ?Ｅ３ＰＩ：：?Ｈ??艦ｍｏ?抑－下倘鮮；?ｍ?ｈ＾ｘｍ：＾?＾?．?｜?；?

【參考文獻】：
期刊論文
[1]基于時效性的冷啟動解決算法[J]. 劉江冬,梁剛,楊進.  現(xiàn)代計算機(專業(yè)版). 2016(05)
[2]推薦系統(tǒng)研究進展[J]. 朱揚勇,孫婧.  計算機科學與探索. 2015(05)
[3]基于SVD矩陣分解技術和RkNN算法的協(xié)同過濾推薦算法[J]. 劉洋.  湖南工程學院學報(自然科學版). 2015(01)
[4]一種基于信息老化的協(xié)同過濾推薦算法[J]. 王玉斌,孟祥武,胡勛.  電子與信息學報. 2013(10)
[5]基于加權信息熵相似性的協(xié)同過濾算法[J]. 劉文龍,張桂蕓,陳喆,朱薔薔.  鄭州大學學報(工學版). 2012(05)
[6]協(xié)同過濾推薦算法[J]. 吳月萍,鄭建國.  計算機工程與設計. 2011(09)
[7]不確定近鄰的協(xié)同過濾推薦算法[J]. 黃創(chuàng)光,印鑒,汪靜,劉玉葆,王甲海.  計算機學報. 2010(08)
[8]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.  軟件學報. 2009(02)
[9]個性化推薦系統(tǒng)的研究進展[J]. 劉建國,周濤,汪秉宏.  自然科學進展. 2009(01)
[10]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.  軟件學報. 2007(10)



本文編號：3386736