互聯(lián)網(wǎng)的發(fā)展讓人們獲取信息的方式越來(lái)越便利,但隨之而來(lái)爆炸式增長(zhǎng)的信息量,讓用戶如何從海量的信息中提取到有用的信息、提高信息的有效利用率成為亟待解決的問題。推薦系統(tǒng)的出現(xiàn)是解決這些問題非常有潛能的方向。且推薦系統(tǒng)是連接用戶和信息的橋梁,現(xiàn)已應(yīng)用在多個(gè)領(lǐng)域?yàn)橛脩�、信息�?chuàng)造價(jià)值。推薦系統(tǒng)的成功應(yīng)用離不開推薦算法的使用�，F(xiàn)在應(yīng)用較多的協(xié)同過(guò)濾算法從發(fā)展之初到現(xiàn)在已經(jīng)成為互聯(lián)網(wǎng)推薦中最常用的算法。關(guān)于協(xié)同過(guò)濾算法已經(jīng)有學(xué)者做出了很多相關(guān)的研究,但是在數(shù)據(jù)稀疏、可擴(kuò)展性等方面的問題仍然沒有得到很好的解決。隨著數(shù)據(jù)量的增加,這些問題會(huì)越來(lái)越突顯。為了緩解數(shù)據(jù)稀疏和相似度計(jì)算不準(zhǔn)確的問題,本文針對(duì)協(xié)同過(guò)濾算法做了以下方面的改進(jìn),具體內(nèi)容如下:一.將加權(quán)Slope One算法引入到評(píng)分預(yù)測(cè)過(guò)程中,得到基于加權(quán)Slope One的混合協(xié)同過(guò)濾算法。通過(guò)加權(quán)Slope One算法基于項(xiàng)目的評(píng)分預(yù)測(cè)填充用戶近鄰集合內(nèi)目標(biāo)項(xiàng)目無(wú)評(píng)分的項(xiàng)目,緩解用戶評(píng)分矩陣的稀疏性,提高了原協(xié)同過(guò)濾算法的推薦準(zhǔn)確度。本文根據(jù)實(shí)驗(yàn)驗(yàn)證了算法的有效性。二.傳統(tǒng)的相似度計(jì)算只考慮原有的用戶項(xiàng)目評(píng)分信息使得相似度的計(jì)算不準(zhǔn)確,因此提出... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CF算法分類

圖 2.2 基于用戶的 CF 推薦算法從上面的描述來(lái)看，來(lái)看一下從用戶角度出發(fā)的 CF 具體的實(shí)現(xiàn)過(guò)程：第一步，搜集用戶的偏好，也就是用戶的打分行為，觀看行為，購(gòu)買行為等能夠表示用戶喜好的行為，將其規(guī)范整理成為用戶對(duì)項(xiàng)目喜好程度數(shù)據(jù)；第二步，根據(jù)第一步收集整理的數(shù)據(jù)，用戶最近鄰居集合的挑選有兩類常用方法，一是基于 k 近鄰的鄰居選取，將其他用戶按與目標(biāo)用戶相似度的值從大到小排列，然后取前 k 個(gè)用戶作為近鄰集合。這樣的選取當(dāng)用戶鄰居數(shù)量稀疏時(shí)，容易選取一些與推薦用戶相似度不大的孤立點(diǎn)。二是基于閾值的鄰居選取，與推薦系統(tǒng)內(nèi)其他用戶計(jì)算相似度時(shí)，如果計(jì)算的值在閾值以內(nèi)，那么就可以把該用戶劃分到鄰居集合里，就是以用戶 A 為中心點(diǎn)半徑為 k 的所有在圓內(nèi)的用戶，這樣的選取辦法就是每個(gè)用戶的鄰居數(shù)量都是不確定的，但是可以避免一些孤立點(diǎn)的選取。第三步，根據(jù)第二步得到的目標(biāo)鄰居集合，預(yù)測(cè)目標(biāo)用戶每個(gè)沒有打分的物

第 2 章 推薦算法和相關(guān)技術(shù)介紹的 CF 的第二步變?yōu)橛?jì)算物品與物品間的相似度，然后推薦給用戶喜歡物品相似度較高的前 N 個(gè)物品。如圖 2.3 所示，推薦系統(tǒng)中的用戶集合有{Auser ，Buser ，Cuser }，項(xiàng)目集合有{1item ，2item ，3item }�？梢钥闯鰜�(lái)，喜歡1item 的用戶同時(shí)也喜歡3item ，因此1item 和3item 在某類程度上是相似的，對(duì)用戶 C 推薦時(shí)，發(fā)現(xiàn)用戶 C 喜歡1item ，因此我們可將3item 推薦給用戶 A。

【參考文獻(xiàn)】：
期刊論文
[1]基于信任機(jī)制下概率矩陣分解的用戶評(píng)分預(yù)測(cè)[J]. 杜東舫,徐童,魯亞男,管楚,劉淇,陳恩紅.  軟件學(xué)報(bào). 2018(12)
[2]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)
[3]一種解決新項(xiàng)目冷啟動(dòng)問題的推薦算法[J]. 于洪,李俊華.  軟件學(xué)報(bào). 2015(06)
[4]個(gè)性化推薦算法研究[J]. 陳潔敏,湯庸,李建國(guó),蔡奕彬.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)
[5]基于近鄰評(píng)分填補(bǔ)的協(xié)同過(guò)濾推薦算法[J]. 冷亞軍,梁昌勇,陸青,陸文星.  計(jì)算機(jī)工程. 2012(21)
[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]基于約束的旅游推薦系統(tǒng)的研究與設(shè)計(jì)[J]. 王顯飛,陳梅,李小天.  計(jì)算機(jī)技術(shù)與發(fā)展. 2012(02)
[8]Web搜索引擎框架研究[J]. 張衛(wèi)豐,徐寶文.  計(jì)算機(jī)研究與發(fā)展. 2000(03)



本文編號(hào)：3562452