發(fā)布時(shí)間：2021-09-07 01:57

　　在大數(shù)據(jù)時(shí)代,互聯(lián)網(wǎng)信息量呈爆炸式增長,信息過載問題也越來越嚴(yán)重,給用戶帶來了困擾。因此,推薦系統(tǒng)應(yīng)運(yùn)而生,它可以在一定程度上解決信息過載問題。目前,個(gè)性化推薦算法的相關(guān)研究已經(jīng)取得了許多成果,并被應(yīng)用到了各個(gè)領(lǐng)域中。然而由于現(xiàn)實(shí)場景中,數(shù)據(jù)存在著一定的稀疏性,限制了推薦算法的進(jìn)步與發(fā)展。鑒于遷移學(xué)習(xí)思想的廣泛應(yīng)用,有學(xué)者開展了相關(guān)研究,提出將遷移學(xué)習(xí)的思想應(yīng)用到推薦算法中�，F(xiàn)有的結(jié)合了遷移學(xué)習(xí)思想的推薦算法可以緩解數(shù)據(jù)稀疏問題,使推薦準(zhǔn)確度有所提升,但是同時(shí)還存在以下問題:不能充分挖掘輔助數(shù)據(jù)與目標(biāo)數(shù)據(jù)間的內(nèi)在聯(lián)系、信息遷移不足以及推薦性能1欠佳。針對(duì)上述問題,本文開展深入的研究工作,提出了兩種基于遷移學(xué)習(xí)的個(gè)性化推薦算法:考慮近鄰的遷移共同矩陣分解個(gè)性化推薦算法（TCMF-NN）、多源三橋遷移個(gè)性化推薦算法（MSTBTR）。在相關(guān)真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),結(jié)果表明,本文所提出的兩個(gè)算法比現(xiàn)有算法具有更高的推薦準(zhǔn)確度。本文的主要工作如下:1.深入研究現(xiàn)有的個(gè)性化推薦算法和結(jié)合了遷移學(xué)習(xí)思想的個(gè)性化推薦算法,并對(duì)其進(jìn)行了相應(yīng)的分析和算法實(shí)現(xiàn),找到其中存在的不足。2.結(jié)合了矩陣分解和遷移學(xué)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于用戶的協(xié)同過濾推薦算法的基本原理

圖 2-1 基于用戶的協(xié)同過濾推薦算法的基本原理圖是一個(gè)電影推薦的實(shí)例，展示了基于用戶的協(xié)同過濾推薦算法的原 A 觀看了電影 X 和電影 Y，用戶 B 觀看了電影 X、電影 Y 和電影 了電影 Z 和電影 W；從用戶 A、B、C 對(duì)電影的觀看行為中，不難發(fā)戶 B 都觀看了電影 X 和電影 Y，因此他們具有相似的口味和電影偏 B 還看了物品 Z，于是從用戶的角度考慮，推薦系統(tǒng)將電影 Z 推薦其選擇觀看。于物品的協(xié)同過濾推薦的基本思想是：將用戶與物品間的交互信息，、瀏覽記錄等，作為物品的潛在特征，并且基于這些用戶物品交互數(shù)相似度計(jì)算方法計(jì)算物品之間的相似度，比如：歐式距離、改進(jìn)的計(jì)算方法等，從而找到相似的物品，然后對(duì)于目標(biāo)物品，基于喜歡目物品的用戶的偏好對(duì)其進(jìn)行推薦。其推薦原理圖如圖 2-2 所示。

圖 2-3 用戶評(píng)分矩陣于協(xié)同過濾的推薦算法已經(jīng)得到了大量的研究和應(yīng)用，：動(dòng)問題，協(xié)同過濾推薦算法對(duì)新物品和新用戶都存在“冷戶或新物品，由于其產(chǎn)生的用戶物品交互數(shù)據(jù)較少，協(xié)同信息，導(dǎo)致難以獲得較好的推薦性能。的效果依賴于用戶與物品的歷史交互數(shù)據(jù)的準(zhǔn)確性，協(xié)戶與物品的歷史交互數(shù)據(jù)，而這些數(shù)據(jù)受一定的主觀因素際推薦場景中，用戶與物品的歷史交互數(shù)據(jù)是很稀疏的難以準(zhǔn)確挖掘到用戶的偏好并產(chǎn)生合理的推薦列表。性問題，協(xié)同過濾推薦主要依賴于用戶與物品的歷史交帶來新穎性的個(gè)性化推薦。內(nèi)容的推薦算法


本文編號(hào)：3388625