當(dāng)下由于互聯(lián)網(wǎng)信息的急速增長,人與互聯(lián)網(wǎng)的聯(lián)系更加緊密,人們接觸信息規(guī)模越來越大,大量數(shù)據(jù)進(jìn)入人們的生活,使得人們的生活有了一定的便利,但伴隨著出現(xiàn)了困擾。在推薦系統(tǒng)中,算法模型是非常重要的核心。協(xié)同過濾算法是一種經(jīng)典算法,現(xiàn)如今還是能發(fā)揮巨大的作用,很多商業(yè)平臺(tái)還在使用。但是它存在一些問題:數(shù)據(jù)稀疏性,相似度度量不準(zhǔn)確等。面對(duì)上面提到的一些問題,本文首先介紹了當(dāng)前流行的推薦技術(shù),詳細(xì)講解協(xié)同過濾的核心原理,引入了云模型思想,對(duì)協(xié)同過濾算法中的相似性度量進(jìn)行優(yōu)化,并且提出了對(duì)多種協(xié)同過濾模型進(jìn)行組合的方法,提升算法的性能表現(xiàn),證實(shí)了所提出的算法具有良好的表現(xiàn),提升了推薦效果。本文的工作分為四大部分如下:1.描述了推薦系統(tǒng)的當(dāng)前研究現(xiàn)狀,闡述了研究課題的意義,介紹了常見的一些推薦系統(tǒng)的工作流程和算法思路,對(duì)其優(yōu)劣進(jìn)行了深入了解,對(duì)常用的衡量方式也做了簡單的比較。2.對(duì)于本文核心的協(xié)同過濾技術(shù)進(jìn)行了深入剖析,對(duì)其算法步驟做了詳細(xì)的介紹,對(duì)其存在的問題也做了相應(yīng)的講解,為后面提出地改進(jìn)做了鋪墊。3.引入云模型的理念,可以對(duì)原始數(shù)據(jù)的稀疏性進(jìn)行優(yōu)化,在相似度計(jì)算過程中,對(duì)基礎(chǔ)的云模型相似度進(jìn)行... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 相關(guān)領(lǐng)域國內(nèi)外發(fā)展概況
    1.3 論文的主要研究內(nèi)容
第二章 推薦系統(tǒng)及評(píng)價(jià)體系
    2.1 推薦系統(tǒng)的分類
        2.1.1 基于內(nèi)容的推薦
        2.1.2 協(xié)同過濾推薦
        2.1.3 矩陣分解
        2.1.4 隱語義模型
        2.1.5 組合模型
        2.1.6 基于深度學(xué)習(xí)的推薦系統(tǒng)
    2.2 評(píng)價(jià)體系
        2.2.1 用戶滿意度
        2.2.2 預(yù)測(cè)準(zhǔn)確度
        2.2.3 覆蓋率
        2.2.4 多樣性
        2.2.5 新穎性
    2.3 本章小結(jié)
第三章 協(xié)同過濾推薦算法
    3.1 協(xié)同過濾算法的流程
    3.2 相似度計(jì)算
    3.3 協(xié)同過濾算法的種類
    3.4 協(xié)同過濾算法存在的問題
    3.5 本章小結(jié)
第四章 基于改進(jìn)云模型的協(xié)同過濾推薦算法
    4.1 云模型介紹
    4.2 基于云模型的相似度計(jì)算
    4.3 相似度的改進(jìn)
        4.3.1 基于云形狀-熟悉度的改進(jìn)
        4.3.2 時(shí)間因子
    4.4 相關(guān)實(shí)驗(yàn)及結(jié)果
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 基于云模型的組合模型
    5.1 混合推薦技術(shù)
    5.2 基于線性的權(quán)重組合
        5.2.1 等權(quán)重組合
        5.2.2 動(dòng)態(tài)權(quán)重組合
    5.3 基于混合的云模型協(xié)同過濾算法優(yōu)化
    5.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
在學(xué)期間的科研活動(dòng)及成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于艾賓浩斯遺忘曲線的個(gè)性化推薦算法[J]. 周子愉.  電子制作. 2018(Z2)
[2]機(jī)器學(xué)習(xí)方法在個(gè)性化推薦系統(tǒng)中的應(yīng)用[J]. 劉忠寶.  情報(bào)探索. 2016(04)
[3]基于用戶相似度的協(xié)同過濾推薦算法[J]. 榮輝桂,火生旭,胡春華,莫進(jìn)俠.  通信學(xué)報(bào). 2014(02)
[4]融合鄰域模型與隱語義模型的推薦算法[J]. 魯權(quán),王如龍,張錦,丁怡.  計(jì)算機(jī)工程與應(yīng)用. 2013(19)
[5]云模型中正向云算法的修正[J]. 李慶,董慶寬,趙蕾.  西安電子科技大學(xué)學(xué)報(bào). 2013(05)
[6]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[7]個(gè)性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)
[8]上下文感知推薦系統(tǒng)[J]. 王立才,孟祥武,張玉潔.  軟件學(xué)報(bào). 2012(01)
[9]基于云模型的項(xiàng)目評(píng)分預(yù)測(cè)推薦算法[J]. 徐德智,李小慧.  計(jì)算機(jī)工程. 2010(17)
[10]個(gè)性化推薦系統(tǒng)評(píng)價(jià)方法綜述[J]. 劉建國,周濤,郭強(qiáng),汪秉宏.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2009(03)

博士論文
[1]基于矩陣分解的圖像表示理論及其應(yīng)用研究[D]. 肖延輝.北京交通大學(xué) 2014

碩士論文
[1]基于協(xié)同過濾的推薦算法研究與引擎設(shè)計(jì)[D]. 王世暉.電子科技大學(xué) 2017
[2]推薦系統(tǒng)中協(xié)同過濾算法關(guān)鍵問題研究[D]. 林康.揚(yáng)州大學(xué) 2016
[3]RBM在推薦系統(tǒng)中的應(yīng)用與研究[D]. 章恩.江西理工大學(xué) 2015



本文編號(hào)：3476619