隨著互聯(lián)網(wǎng)高速發(fā)展,各類信息渠道相互貫通,數(shù)據(jù)量呈指數(shù)式激增。以電子商務(wù)領(lǐng)域?yàn)槔?商品條目以億萬計(jì),用戶的時間被大量地耗費(fèi)在檢索和篩選上。過量的信息遠(yuǎn)超出用戶處理范圍,從而造成信息負(fù)擔(dān);所以如何緩解信息過載問題是目前研究的一個熱點(diǎn)。協(xié)同過濾算法是目前研究最深入、應(yīng)用最成熟的一種推薦技術(shù),是應(yīng)對信息過載問題的高效手段。相似性度量是包括協(xié)同過濾在內(nèi)的推薦算法的核心環(huán)節(jié),極大地關(guān)系到推薦結(jié)果的精準(zhǔn)度和算法的綜合性能。而先前的很多相似性度量方法普遍受制于以下問題:一是典型的相似性度量方法僅利用共同評分項(xiàng),數(shù)據(jù)利用率低,在數(shù)據(jù)高度稀疏環(huán)境下表現(xiàn)較差。二是僅依靠評分?jǐn)?shù)據(jù)計(jì)算相似性,未考慮其他方面信息,容易造成誤判。三是用戶的評分行為帶有習(xí)慣等因素,評分不能直接與滿意度等同。本文針對上述問題提出了如下策略,主要包括:第一,設(shè)計(jì)適應(yīng)稀疏數(shù)據(jù)的項(xiàng)目相似性度量方法。隨著稀疏性的增大,愈難發(fā)現(xiàn)共同評分項(xiàng),此時以共同評分為計(jì)算基礎(chǔ)的相似性度量方法效率明顯下降。本文引入生物信息科學(xué)領(lǐng)域的離散增量,依此構(gòu)造了相異系數(shù),提出了一種基于相異系數(shù)的項(xiàng)目相似性計(jì)算的方法,利用項(xiàng)目所有評分值的頻數(shù)分布來計(jì)算相似性,擺脫了共... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

推薦過程示意圖

圖 2.1 協(xié)同過濾的完整流程相似性模型是基于鄰居的協(xié)同過濾算法中重要基礎(chǔ)，直接影響后續(xù)的鄰式和預(yù)測規(guī)則的選取。根據(jù)相似性度量方式的不同，可分為基于用戶的和基于項(xiàng)目的協(xié)同過濾。兩種類型的方法的主要區(qū)別在于度量的是用戶還是項(xiàng)目間的相似性、鄰居群體的構(gòu)成是用戶還是項(xiàng)目等方面。 基于用戶的協(xié)同過濾基于用戶的協(xié)同過濾算法高效便捷、易于實(shí)現(xiàn)，作為推薦領(lǐng)域的經(jīng)典方推薦系統(tǒng)的研究與運(yùn)用中取得了很大的成功。基于用戶的協(xié)同過濾認(rèn)為的興趣可以代表目標(biāo)用戶的興趣、最近鄰居評高分的項(xiàng)目用戶也可能給分。算法的核心內(nèi)容是利用相似度模型度量用戶間的相似性，這也是與

重慶郵電大學(xué)碩士學(xué)位論文 第 3 章 基于偏好模型的用戶相似性度量型的用戶相似度度量算法有修正的余弦相似度(ACOS)、均方差相似度(MSD)等；評價標(biāo)準(zhǔn)則選取常見的綜合指標(biāo) F1-measure。3.4.2 實(shí)驗(yàn)結(jié)果分析根據(jù)實(shí)驗(yàn)步驟完成兩組的對比實(shí)驗(yàn)，結(jié)果如圖 3.1、圖 3.2 所示�？傮w上，隨著最近鄰居數(shù)的增加，兩組推薦結(jié)果的 F1 值也隨之增大。因?yàn)槟繕?biāo)用戶的最近鄰居用戶越多，這些用戶中評價過目標(biāo)項(xiàng)目的可能性越高，能有效地、準(zhǔn)確地計(jì)算出待目標(biāo)項(xiàng)目的評分的幾率越大。兩組實(shí)驗(yàn)結(jié)果中，以用戶偏好信息作為數(shù)據(jù)源的 F1 值在各鄰居數(shù)上始終高于使用原始評分作為輸入源的 F1 值。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[2]基于矩陣填充和物品可預(yù)測性的協(xié)同過濾算法[J]. 潘濤濤,文鋒,劉勤讓.  自動化學(xué)報(bào). 2017(09)
[3]一種基于信任關(guān)系隱含相似度的社會化推薦算法[J]. 潘一騰,何發(fā)智,于海平.  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[4]基于啟發(fā)式聚類模型和類別相似度的協(xié)同過濾推薦算法[J]. 王興茂,張興明,吳毅濤,潘俊池.  電子學(xué)報(bào). 2016(07)
[5]融合社交網(wǎng)絡(luò)信息的協(xié)同過濾推薦算法[J]. 郭蘭杰,梁吉業(yè),趙興旺.  模式識別與人工智能. 2016(03)
[6]一種解決新項(xiàng)目冷啟動問題的推薦算法[J]. 于洪,李俊華.  軟件學(xué)報(bào). 2015(06)
[7]基于Hadoop分布式改進(jìn)聚類協(xié)同過濾推薦算法研究[J]. 孫天昊,黎安能,李明,朱慶生.  計(jì)算機(jī)工程與應(yīng)用. 2015(15)
[8]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[9]一種融合項(xiàng)目特征和移動用戶信任關(guān)系的推薦算法[J]. 胡勛,孟祥武,張玉潔,史艷翠.  軟件學(xué)報(bào). 2014(08)
[10]一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J]. 郭磊,馬軍,陳竹敏,姜浩然.  計(jì)算機(jī)學(xué)報(bào). 2014(01)



本文編號：3399790