對(duì)于具有大量資源的出版行業(yè)來說,個(gè)性化推薦是解決信息超載的一個(gè)有效方法。在推薦算法中,矩陣分解算法取得了很好的推薦效果,但是也存在一些問題。本文以矩陣分解算法為基礎(chǔ),利用標(biāo)簽特征分析用戶和資源的影響關(guān)系并將關(guān)系融入到矩陣分解算法中,對(duì)傳統(tǒng)推薦算法存在的矩陣稀疏、用戶資源特征挖掘不準(zhǔn)確、冷啟動(dòng)、推薦效率隨資源增加而下降等問題進(jìn)行研究。本文的主要研究工作如下:（1）用戶和資源特征提取方法改進(jìn)。本文主要基于標(biāo)簽特征對(duì)用戶和資源進(jìn)行特征提取。通過收集用戶行為信息可以發(fā)現(xiàn)用戶與資源之間的聯(lián)系,根據(jù)資源本身具有的規(guī)范化標(biāo)簽可以獲得資源與標(biāo)簽的關(guān)系,但是這兩種關(guān)系矩陣都有明顯的稀疏問題。為了挖掘標(biāo)簽對(duì)于用戶和資源的重要性,本文通過迭代的方法對(duì)標(biāo)簽特征矩陣進(jìn)行重要性加權(quán),從而提取出更準(zhǔn)確的用戶和資源特征矩陣。最后利用PCA降維技術(shù)對(duì)關(guān)系矩陣進(jìn)行降維以緩解數(shù)據(jù)稀疏問題。（2）概率矩陣分解算法改進(jìn)。針對(duì)傳統(tǒng)概率矩陣分解算法中忽略用戶和資源影響關(guān)系的問題,本文利用用戶和資源特征矩陣尋找用戶和資源的近鄰,然后將用戶和資源的相似鄰居關(guān)系融入到概率矩陣分解算法中。實(shí)驗(yàn)表明改進(jìn)后的算法提高了推薦準(zhǔn)確率。（3）冷啟動(dòng)... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法
        1.2.2 基于標(biāo)簽的推薦算法
    1.3 論文主要工作
    1.4 論文的組織結(jié)構(gòu)
第2章 用戶與資源特征提取方法
    2.1 規(guī)范化標(biāo)簽定義
    2.2 現(xiàn)有特征提取方法存在的問題
    2.3 用戶和資源的特征表示
        2.3.1 用戶特征表示
        2.3.2 資源特征表示
    2.4 基于優(yōu)化標(biāo)簽特征的特征提取方法
        2.4.1 標(biāo)簽特征矩陣重要性加權(quán)
        2.4.2 數(shù)據(jù)降維
    2.5 本章小結(jié)
第3章 基于標(biāo)簽特征的出版資源推薦算法
    3.1 概率矩陣分解思想
    3.2 推薦算法設(shè)計(jì)
        3.2.1 相似鄰居計(jì)算
        3.2.2 近鄰加權(quán)的矩陣分解算法
        3.2.3 推薦流程描述
    3.3 實(shí)驗(yàn)設(shè)計(jì)
        3.3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)對(duì)比算法
        3.3.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 矩陣降維對(duì)比實(shí)驗(yàn)
        3.4.2 概率矩陣分解算法調(diào)參及對(duì)比實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 冷啟動(dòng)問題與交互式推薦框架
    4.1 冷啟動(dòng)問題研究
        4.1.1 冷啟動(dòng)問題
        4.1.2 解決方案
    4.2 交互式推薦框架
        4.2.1 交互式框架
        4.2.2 資源推薦過程
    4.3 實(shí)驗(yàn)結(jié)果分析
        4.3.1 冷啟動(dòng)實(shí)驗(yàn)
        4.3.2 交互式推薦實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]融合用戶社會(huì)地位和矩陣分解的推薦算法[J]. 余永紅,高陽(yáng),王皓,孫栓柱.  計(jì)算機(jī)研究與發(fā)展. 2018(01)
[2]推薦系統(tǒng)冷啟動(dòng)問題解決策略研究[J]. 喬雨,李玲娟.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(02)
[3]時(shí)間上下文的協(xié)同過濾Top-N推薦算法[J]. 劉云,王穎,亓國(guó)濤,包智妍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(07)
[4]中國(guó)國(guó)民閱讀調(diào)查:人均每年讀書7.86本[J].   新聞知識(shí). 2017(04)
[5]基于內(nèi)容和興趣漂移模型的電影推薦算法研究[J]. 呂學(xué)強(qiáng),王騰,李雪偉,董志安.  計(jì)算機(jī)應(yīng)用研究. 2018(03)
[6]一種改進(jìn)的top-N協(xié)同過濾推薦算法[J]. 肖文強(qiáng),姚世軍,吳善明.  計(jì)算機(jī)應(yīng)用研究. 2018(01)
[7]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢(mèng)溪,王珊.  軟件學(xué)報(bào). 2017(03)
[8]大數(shù)據(jù)時(shí)代電子商務(wù)個(gè)性化推薦服務(wù)研究[J]. 杜念欣.  中國(guó)管理信息化. 2016(10)
[9]基于關(guān)聯(lián)規(guī)則的商品智能推薦算法[J]. 張勇杰,楊鵬飛,段群,韓麗娜.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(10)
[10]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(shí)別與人工智能. 2016(03)

碩士論文
[1]推薦系統(tǒng)用戶相似度計(jì)算方法研究[D]. 朱文奇.重慶大學(xué) 2014
[2]基于關(guān)聯(lián)規(guī)則的推薦算法研究與應(yīng)用[D]. 鄧先箴.華東師范大學(xué) 2010



本文編號(hào)：3459552