大數(shù)據(jù)時(shí)代背景下,隨著信息的數(shù)量和種類迅速增長(zhǎng),使得信息需要花費(fèi)大量的時(shí)間尋找,以得到感興趣或者有用的信息,出現(xiàn)信息過(guò)載問題。隨著個(gè)性化推薦系統(tǒng)的出現(xiàn),信息過(guò)載問題得到了緩解。近年來(lái)出現(xiàn)大量推薦系統(tǒng)的相關(guān)研究,由于矩陣分解技術(shù)的推薦準(zhǔn)確率高、可擴(kuò)展性強(qiáng)、運(yùn)行速度快等優(yōu)點(diǎn),其迅速成為推薦算法領(lǐng)域中的研究熱點(diǎn)。論文基于混合推薦算法的原理改進(jìn)了傳統(tǒng)相似度計(jì)算,從距離的角度考慮推薦問題,改進(jìn)了概率矩陣分解算法,基于近鄰?fù)扑]算法的思想改進(jìn)了貝葉斯個(gè)性化排序算法。論文首先利用興趣漂移因子和熱門物品因子通過(guò)加權(quán)方式改進(jìn)了Pearson相似度,利用奇異值分解算法得到了用戶隱特征矩陣,通過(guò)余弦相似度計(jì)算用戶的隱特征相似度,利用Hellinger Distance分析用戶之間的評(píng)分分布相似度,并且以此作為改進(jìn)的Pearson相似度的權(quán)重與隱特征相似度結(jié)合,提出了基于Hellinger Distance改進(jìn)相似度的協(xié)同過(guò)濾算法（CFHPI）。通過(guò)實(shí)驗(yàn),分別與傳統(tǒng)的Pearson相似度、Jaccard相似度以及NCF算法進(jìn)行對(duì)比,結(jié)果表明CFHPI算法的MAE達(dá)到了0.769,比其它三種算法最少降低了0.01... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于用戶的協(xié)同過(guò)濾概述圖

哈爾濱理工大學(xué)工程碩士學(xué)位論文-9-0.25，0.67。從計(jì)算結(jié)果來(lái)看，用戶D與用戶C相似度最大。第三步，計(jì)算推薦結(jié)果。用戶C進(jìn)行評(píng)分的物品是b和e，接下來(lái)計(jì)算用戶C對(duì)物品a、c、d的偏好程度分別為1.750，1.025，2.041。可以得到用戶C在沒有進(jìn)行評(píng)分的物品中倒序排列為a、c、d。這樣就可以根據(jù)需要取前K個(gè)物品推薦給用戶C�；谟脩舻膮f(xié)同過(guò)濾算法適用于用戶數(shù)量少于物品數(shù)量的情況，當(dāng)用戶數(shù)量遠(yuǎn)遠(yuǎn)大于物品數(shù)量時(shí)，這時(shí)基于用戶的協(xié)同過(guò)濾的計(jì)算復(fù)雜度就增加了，而基于物品的協(xié)同過(guò)濾是對(duì)物品之間的比較，比較適合這種情況。它的核心是構(gòu)建物品相似度矩陣，將用戶產(chǎn)生過(guò)行為的每個(gè)物品與其他物品進(jìn)行匹配，將匹配度最高的物品加入推薦列表。圖2-2基于物品的協(xié)同過(guò)濾概述圖Fig.2-2Schematicdiagramofcollaborativefilteringbasedonitem以電影為例介紹基于物品的協(xié)同過(guò)濾推薦算法，如圖2-2所示，用戶C喜歡電影A，電影C和電影A相似，那么便把用戶C沒有產(chǎn)生行為的電影C推薦給用戶C。基于物品的協(xié)同過(guò)濾算法一般分為以下三步：第一步，構(gòu)建用戶電影評(píng)分矩陣。這里用戶電影評(píng)分矩陣使用上表2-1。第二步，計(jì)算物品之間的相似度。物品相似度的計(jì)算仍然采用Jaccard相似度計(jì)算，公式如(2-2)。||(,)||ijijIIsimijII(2-2)iI是對(duì)電影i產(chǎn)生評(píng)分的用戶集合，jI是對(duì)電影j產(chǎn)生評(píng)分的用戶集合。

哈爾濱理工大學(xué)工程碩士學(xué)位論文-11-2.1.2基于內(nèi)容的推薦算法推薦系統(tǒng)指出如何推薦與用戶之前喜歡的物品相似的物品。物品的相似度取決于物品之間的特點(diǎn)。當(dāng)用戶購(gòu)買或者評(píng)分信息很少的情況下，基于內(nèi)容的推薦算法就能發(fā)揮它的優(yōu)勢(shì)了�；趦�(nèi)容的推薦算法能夠根據(jù)用戶的購(gòu)買或者評(píng)分物品構(gòu)建用戶的偏好表示，然后與未產(chǎn)生行為的物品進(jìn)行匹配，匹配度高的物品為用戶可能喜歡的物品[55]。其中的“內(nèi)容”指的便是：用戶過(guò)去一段時(shí)間內(nèi)喜歡的物品，以及由此推算出來(lái)的用戶偏好。圖2-3基于內(nèi)容的推薦算法概述圖Fig.2-3Schematicdiagramofcollaborativefilteringbasedoncontent如圖2-3所示是一個(gè)基于內(nèi)容推薦的例子，從圖中可以發(fā)現(xiàn)用戶A和用戶C偏好愛情、浪漫類型的電影，用戶B偏好恐怖、驚悚類的電影，因此將類型為愛情、浪漫的且用戶A沒有行為的電影C推薦給用戶A�；趦�(nèi)容的推薦原理非常簡(jiǎn)單，向用戶推薦喜歡的電影的相似電影。其中包含了三步：第一步，構(gòu)造電影的特征，第二步，為用戶構(gòu)建特征表示，第三步，評(píng)判用戶是否喜歡某個(gè)電影。第一步：構(gòu)建電影特征矩陣。例如：《我的青春都是你》的類型為：愛情|校園|喜劇�！肚啻号伞返念愋蜑椋簮矍閨校園|喜劇�！稇�(zhàn)狼2》的類型為：動(dòng)作|警匪。這里假設(shè)電影類型為[愛情、喜劇、動(dòng)作、槍戰(zhàn)、警匪、校園、恐怖、懸疑]中的一種或者幾種。對(duì)于算法模型來(lái)講，這里的類型名字是沒有辦法直接使用的，需要將其轉(zhuǎn)化成數(shù)字才能使用。將每條數(shù)據(jù)的電影類型用一維矩陣表示，則A為[0,1,1,1,0]，

【參考文獻(xiàn)】：
期刊論文
[1]融合樸素貝葉斯和協(xié)同過(guò)濾的外賣推薦并行算法研究[J]. 鮑凱麗,劉其成,牟春曉.  計(jì)算機(jī)應(yīng)用與軟件. 2019(11)
[2]一種改進(jìn)項(xiàng)目多屬性類別劃分的推薦算法[J]. 邱寧佳,薛麗嬌,賀金彪,王鵬,楊華民.  計(jì)算機(jī)應(yīng)用研究. 2020(10)
[3]多重對(duì)級(jí)貝葉斯個(gè)性化排序算法[J]. 程明月,劉淇,李徵,于潤(rùn)龍,高維博,陳恩紅.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[4]一種改進(jìn)相似度的協(xié)同過(guò)濾算法[J]. 于金霞,臧利明,王俊峰,湯永利.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]基于內(nèi)容的加權(quán)粒度序列推薦算法[J]. 王光,張杰民,董帥含,夏帥.  計(jì)算機(jī)工程與科學(xué). 2018(03)
[6]多主題受限玻爾茲曼機(jī)的長(zhǎng)尾分布推薦研究[J]. 史明哲,吳國(guó)棟,張倩,疏晴.  小型微型計(jì)算機(jī)系統(tǒng). 2018(02)
[7]一種優(yōu)化的帶偏置概率矩陣分解算法[J]. 王建芳,張朋飛,谷振鵬,劉冉東.  小型微型計(jì)算機(jī)系統(tǒng). 2017(05)
[8]融合主題模型和協(xié)同過(guò)濾的多樣化移動(dòng)應(yīng)用推薦[J]. 黃璐,林川杰,何軍,劉紅巖,杜小勇.  軟件學(xué)報(bào). 2017(03)
[9]一種改進(jìn)的基于用戶項(xiàng)目喜好的相似度度量方法[J]. 雷建云,何順,王淑娟.  中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(04)
[10]基于網(wǎng)絡(luò)用戶信息行為的個(gè)性化推薦模型[J]. 余肖生,孫珊.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2013(01)



本文編號(hào)：3640083