協(xié)同過濾算法的改進(jìn)和應(yīng)用研究
發(fā)布時間：2021-10-20 17:05
由于互聯(lián)網(wǎng)技術(shù)的發(fā)展,信息爆炸式地呈現(xiàn)在人們面前。指數(shù)型增長的數(shù)據(jù)資源,使得精準(zhǔn)獲取有價值的信息需求更加迫切。個性化推薦技術(shù)隨之進(jìn)入人們的視野,該技術(shù)通過采集用戶的歷史行為信息,分析支配該行為的內(nèi)在原因即用戶可能存在的偏好,以此為依據(jù)結(jié)合推薦算法主動向用戶提供信息服務(wù)和決策支撐。在個性化推薦領(lǐng)域當(dāng)中被普遍使用的是協(xié)同過濾算法,目前對其的探索最為廣泛。本文針對傳統(tǒng)算法中存在的可擴(kuò)展性和推薦的時效性等問題提出一種改進(jìn)的協(xié)同過濾推薦算法,并將其成功應(yīng)用到中小企業(yè)服務(wù)平臺上。論文的主要研究內(nèi)容如下:（1）著重研究協(xié)同過濾中基于用戶、項目和模型的算法。討論了相似性度量方式和算法衡量的標(biāo)準(zhǔn),闡述了算法面臨的問題和改進(jìn)迫切性。（2）提出基于partition算法改進(jìn)的協(xié)同過濾算法。應(yīng)用partition算法將數(shù)據(jù)庫劃分成幾個互不相交的子庫,并尋找局部頻繁項集。再使用Pearson相關(guān)度量來找到前n個相似的鄰居。在查詢包含j項的頻繁項集聯(lián)合形成U類的前提下,通過預(yù)測在U類中推薦具有更高評價的前n個項目。（3）在真實的數(shù)據(jù)集上通過實驗表明該算法的平均絕對誤差和平均方根誤差均低于傳統(tǒng)算法,與此同時算法的覆...
【文章來源】：江西理工大學(xué)江西省
【文章頁數(shù)】：65 頁
【學(xué)位級別】：碩士
【部分圖文】：
Partition算法流程圖
Coverage 描述了推薦系統(tǒng)向用戶推薦的系統(tǒng)的推薦是否全面的常用指標(biāo)，該值越大系統(tǒng)覆蓋i ii 1-NP QMAEN 2i ii 1( )NP QRMSEN ( ) ( )( )u Uu UIP u IR uCoverageIR u 結(jié)果FBP 算法、Enrique 等人提出的關(guān)聯(lián)規(guī)則算法［65］(En)](Huang)的平均絕對誤差（MAE）。
］的平均絕對誤差（MAE）值進(jìn)行比對。結(jié)果如下圖4.3。圖 4.3 四種算法在不同鄰居數(shù)下的 MAE 比較圖 4.3 顯示當(dāng)最近鄰居的數(shù)量一定時，CFBP 算法的 MAE 值小于其他算法。 且在MinSup=0.2， MinConf=0.4，最近鄰數(shù)目為 50 時，本文算法的 MAE 值達(dá)到最小值，即算法的預(yù)測值最準(zhǔn)確。（3）實驗三通過實驗比較 CFBP、KNN-100[69]和 IRP-CF[70]算法的 MAE,RMSE 和 Coverage 值得出結(jié)果如下圖 4.4 所示從圖 4.4 易得出 KNN-100，IRP-CF 與 CFBP 三種算法的 MAE 和 RMSE 值依次降低，Coverage 值則上升。在三種算法中 CFBP 算法的 MAE 和 RMSE 值最低
【參考文獻(xiàn)】：
期刊論文
[1]一種具有跳躍式前進(jìn)的Apriori算法[J]. 陳方健,張明新,楊昆. 計算機(jī)應(yīng)用與軟件. 2015(03)
[2]數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘算法的分析研究[J]. 李仕瓊. 電子技術(shù)與軟件工程. 2015(04)
[3]基于項目興趣度的協(xié)同過濾新算法[J]. 孫光明,王碩. 計算機(jī)應(yīng)用研究. 2013(12)
[4]基于德爾菲法的專家評估方法[J]. 劉偉濤,顧鴻,李春洪. 計算機(jī)工程. 2011(S1)
[5]通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J]. 羅辛,歐陽元新,熊璋,袁滿. 計算機(jī)學(xué)報. 2010(08)
[6]基于項目評分預(yù)測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂. 軟件學(xué)報. 2003(09)
[7]數(shù)據(jù)包絡(luò)分析法（DEA）的研究與應(yīng)用[J]. 李美娟,陳國宏. 中國工程科學(xué). 2003(06)
碩士論文
[1]基于多層次灰色綜合評價法的中文核心期刊分級研究[D]. 張新.武漢科技大學(xué) 2014
[2]電子商務(wù)個性化推薦系統(tǒng)中協(xié)同過濾算法的研究與應(yīng)用[D]. 王桂芬.南昌大學(xué) 2012
[3]模糊綜合評價模型的研究及應(yīng)用[D]. 許雪燕.西南石油大學(xué) 2011
[4]基于BP神經(jīng)網(wǎng)絡(luò)的排序評價算法研究及其應(yīng)用[D]. 胡彩萍.江西師范大學(xué) 2009
本文編號：3447281
【文章來源】：江西理工大學(xué)江西省
【文章頁數(shù)】：65 頁
【學(xué)位級別】：碩士
【部分圖文】：
Partition算法流程圖
Coverage 描述了推薦系統(tǒng)向用戶推薦的系統(tǒng)的推薦是否全面的常用指標(biāo)，該值越大系統(tǒng)覆蓋i ii 1-NP QMAEN 2i ii 1( )NP QRMSEN ( ) ( )( )u Uu UIP u IR uCoverageIR u 結(jié)果FBP 算法、Enrique 等人提出的關(guān)聯(lián)規(guī)則算法［65］(En)](Huang)的平均絕對誤差（MAE）。
］的平均絕對誤差（MAE）值進(jìn)行比對。結(jié)果如下圖4.3。圖 4.3 四種算法在不同鄰居數(shù)下的 MAE 比較圖 4.3 顯示當(dāng)最近鄰居的數(shù)量一定時，CFBP 算法的 MAE 值小于其他算法。 且在MinSup=0.2， MinConf=0.4，最近鄰數(shù)目為 50 時，本文算法的 MAE 值達(dá)到最小值，即算法的預(yù)測值最準(zhǔn)確。（3）實驗三通過實驗比較 CFBP、KNN-100[69]和 IRP-CF[70]算法的 MAE,RMSE 和 Coverage 值得出結(jié)果如下圖 4.4 所示從圖 4.4 易得出 KNN-100，IRP-CF 與 CFBP 三種算法的 MAE 和 RMSE 值依次降低，Coverage 值則上升。在三種算法中 CFBP 算法的 MAE 和 RMSE 值最低
【參考文獻(xiàn)】：
期刊論文
[1]一種具有跳躍式前進(jìn)的Apriori算法[J]. 陳方健,張明新,楊昆. 計算機(jī)應(yīng)用與軟件. 2015(03)
[2]數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘算法的分析研究[J]. 李仕瓊. 電子技術(shù)與軟件工程. 2015(04)
[3]基于項目興趣度的協(xié)同過濾新算法[J]. 孫光明,王碩. 計算機(jī)應(yīng)用研究. 2013(12)
[4]基于德爾菲法的專家評估方法[J]. 劉偉濤,顧鴻,李春洪. 計算機(jī)工程. 2011(S1)
[5]通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J]. 羅辛,歐陽元新,熊璋,袁滿. 計算機(jī)學(xué)報. 2010(08)
[6]基于項目評分預(yù)測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂. 軟件學(xué)報. 2003(09)
[7]數(shù)據(jù)包絡(luò)分析法（DEA）的研究與應(yīng)用[J]. 李美娟,陳國宏. 中國工程科學(xué). 2003(06)
碩士論文
[1]基于多層次灰色綜合評價法的中文核心期刊分級研究[D]. 張新.武漢科技大學(xué) 2014
[2]電子商務(wù)個性化推薦系統(tǒng)中協(xié)同過濾算法的研究與應(yīng)用[D]. 王桂芬.南昌大學(xué) 2012
[3]模糊綜合評價模型的研究及應(yīng)用[D]. 許雪燕.西南石油大學(xué) 2011
[4]基于BP神經(jīng)網(wǎng)絡(luò)的排序評價算法研究及其應(yīng)用[D]. 胡彩萍.江西師范大學(xué) 2009
本文編號：3447281
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3447281.html
最近更新
教材專著
