在信息過載的時(shí)代背景下,推薦技術(shù)可以幫助用戶對(duì)信息進(jìn)行有效篩選,協(xié)同過濾算法以其效率高、精度準(zhǔn)的特點(diǎn)在推薦系統(tǒng)中得到大范圍普及。盡管如此,隨著推薦系統(tǒng)中的項(xiàng)目和用戶數(shù)量的快速增長,該算法正面臨著嚴(yán)重的冷啟動(dòng)問題,這大大降低了算法本身的推薦效果。因此,為了使推薦算法在冷啟動(dòng)環(huán)境下仍能表現(xiàn)出良好的推薦效果,本文對(duì)原有的推薦算法進(jìn)行了改進(jìn),改進(jìn)分為四個(gè)方面:一,為解決數(shù)據(jù)稀疏性會(huì)對(duì)聚類結(jié)果及推薦效果產(chǎn)生影響這一問題,本文基于項(xiàng)目屬性間的相似性對(duì)評(píng)分矩陣進(jìn)行了預(yù)填充,數(shù)據(jù)稀疏性得以充分緩解。二,針對(duì)協(xié)同過濾算法中存在的用戶冷啟動(dòng)問題,本文引入了用戶的人口統(tǒng)計(jì)學(xué)信息,將用戶間的相似度計(jì)算公式修改為評(píng)分相似性與人口統(tǒng)計(jì)學(xué)相似性的動(dòng)態(tài)加權(quán),這樣系統(tǒng)能夠針對(duì)不同用戶的不同情況對(duì)兩者所占比重進(jìn)行動(dòng)態(tài)的調(diào)整。當(dāng)新用戶第一次使用推薦系統(tǒng)時(shí),改進(jìn)的相似度計(jì)算公式能夠根據(jù)用戶的人口統(tǒng)計(jì)學(xué)相似性為新用戶尋找最近鄰,并產(chǎn)生推薦。三,針對(duì)協(xié)同過濾算法中存在的實(shí)時(shí)性差的問題,本文采用聚類算法對(duì)用戶進(jìn)行離線聚類。本文優(yōu)化了k-mean 算法中初始聚類中心的選取,提高算法的穩(wěn)定性。然后,使用改進(jìn)后的聚類算法對(duì)用戶進(jìn)行離線聚... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１最近鄰選取方法對(duì)比??傳統(tǒng)方法中最近鄰選取范圍是整個(gè)數(shù)據(jù)對(duì)象集合，依次計(jì)算目標(biāo)用戶與數(shù)據(jù)??

??圖３－１最近鄰選取方法對(duì)比??傳統(tǒng)方法中最近鄰選取范圍是整個(gè)數(shù)據(jù)對(duì)象集合，依次計(jì)算目標(biāo)用戶與數(shù)據(jù)??集合中所有用戶之間的相似度，并對(duì)相似度進(jìn)行排序，將相似度最高的々個(gè)用戶??選取出來，作為目標(biāo)用戶的最近鄰集合。??而引入聚類算法之后，最近鄰的選取范圍也隨之發(fā)生了變化。我們不再需要??在整個(gè)數(shù)據(jù)集合中進(jìn)行選取，我們可以將最近鄰的選取范圍縮小到目標(biāo)用戶所在??聚類即可。聚類算法得到的聚類劃分具有如下特點(diǎn)，類與類之間相似度較低，類??中對(duì)象與對(duì)象之間相似度較高。這樣可以將除目標(biāo)用戶所在聚類之外的其他聚類??中包含的所有數(shù)據(jù)對(duì)象看做與目標(biāo)用戶相似度較低的對(duì)象，因此，這樣的群體并??不在考慮范疇之中。??傳統(tǒng)算法：整個(gè)數(shù)據(jù)集合?改進(jìn)算法：目標(biāo)對(duì)象所在聚類???〇?－－－－??°?〇?°?ｉ?〇?ｏ?＿□際對(duì)染??＼?／?所在聚類??〇?〇??？?〇?｜?＿?（匕

ｖｇＮＮＵ（ｕ）??在進(jìn)行評(píng)分預(yù)測(cè)之后，標(biāo)準(zhǔn)排序方法［３１］（如公式３－１４所示）會(huì)對(duì)評(píng)分進(jìn)行??由高到低的排序，然后選擇評(píng)分Ｔｏｐ?Ｎ的項(xiàng)目進(jìn)行推薦。??ｒａｎｋＳｔａｎｄａｒｄ｛ｉ）＾?Ｒ｛ＵＡ＇?（３＿１４）??這樣的推薦方式會(huì)使流行度較高的項(xiàng)目重復(fù)出現(xiàn)在用戶的推薦列表中，進(jìn)而??降低推薦項(xiàng)目總體多樣性。為提高推薦項(xiàng)目的總體多樣性，本文提出一種對(duì)流行??度較高項(xiàng)目的預(yù)測(cè)評(píng)分進(jìn)行分階段懲罰的方法，解決標(biāo)準(zhǔn)排序帶來的問題，懲罰??公式如下：??Ｄ?（?＼ａ＾Ｒ（ｕ，ｉ），ａｘ?＾ｐｏｐ＾ａ，??Ｒｎｅ，＼Ｕ＾）?＝?＼?ｐ?Ｄ／?Ａ?＾?＾?（３－１５）??Ｉ?ｐ?ｘ?＜?ｐｏｐ．?＜?ａ３??是指項(xiàng)目／的流行度，下面舉例介紹一下分階段懲罰過程。設(shè)在增加懲??罰因子之前推薦的項(xiàng)目及項(xiàng)目預(yù)測(cè)評(píng)分如圖３－３所示，現(xiàn)對(duì)流行度在２００－３００之??間的項(xiàng)目增添評(píng)分懲罰因子０．９，對(duì)流行度在３００－５００之間的項(xiàng)目增添評(píng)分懲罰??因子０．８，則得到的推薦結(jié)果如圖３－４所示。??項(xiàng)目?ｉ（ｌ?１２?３?４?５?６?７?８?－??

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的基于物品的協(xié)同過濾推薦算法[J]. 石京京,肖迎元,鄭文廣.  天津理工大學(xué)學(xué)報(bào). 2019(01)
[2]協(xié)同過濾算法中冷啟動(dòng)問題研究[J]. 邵煜,謝穎華.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[3]基于K-means聚類算法優(yōu)化方法的研究[J]. 劉葉,吳晟,周海河,吳興蛟,韓林嶧.  信息技術(shù). 2019(01)
[4]協(xié)同過濾推薦算法研究進(jìn)展[J]. 翁小蘭,王志堅(jiān).  計(jì)算機(jī)工程與應(yīng)用. 2018(01)
[5]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)
[6]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學(xué)報(bào). 2018(02)
[7]混合協(xié)同過濾算法中用戶冷啟動(dòng)問題的研究[J]. 端德坤,傅秀芬.  計(jì)算機(jī)工程與應(yīng)用. 2017(21)
[8]一種基于相對(duì)相似性提高推薦總體多樣性的協(xié)同過濾算法[J]. 姜書浩,張立毅,張志鑫.  現(xiàn)代圖書情報(bào)技術(shù). 2016(12)
[9]個(gè)性化推薦冷啟動(dòng)算法[J]. 廖壽福,林世平,郭昆.  小型微型計(jì)算機(jī)系統(tǒng). 2015(08)
[10]基于標(biāo)簽權(quán)重評(píng)分的推薦模型及算法研究[J]. 孔欣欣,蘇本昌,王宏志,高宏,李建中.  計(jì)算機(jī)學(xué)報(bào). 2017(06)

碩士論文
[1]基于k-means用戶聚類的混合協(xié)同過濾算法的研究[D]. 汪宇.吉林大學(xué) 2016
[2]改進(jìn)的基于用戶和項(xiàng)目聚類的協(xié)同過濾推薦算法[D]. 韓英付.華東師范大學(xué) 2015
[3]協(xié)同過濾算法中冷啟動(dòng)問題的研究[D]. 申輝繁.重慶大學(xué) 2015
[4]基于Kruskal算法改進(jìn)的K-means聚類和用戶興趣變化的推薦系統(tǒng)研究[D]. 王魯慶.昆明理工大學(xué) 2015
[5]基于協(xié)同過濾與劃分聚類的推薦算法研究[D]. 張亮.吉林大學(xué) 2014
[6]基于聚類的個(gè)性化推薦算法研究[D]. 雷震.電子科技大學(xué) 2013
[7]協(xié)同過濾系統(tǒng)的冷啟動(dòng)問題研究[D]. 朱麗中.大連理工大學(xué) 2013



本文編號(hào)：3476186