推薦系統(tǒng)因能夠幫助用戶根據(jù)過(guò)去的偏好尋找相關(guān)信息,現(xiàn)已成為克服“信息過(guò)載”問(wèn)題的有力工具.推薦技術(shù)現(xiàn)已被廣泛運(yùn)用在電商、電影、新聞、視頻、音樂(lè)等消費(fèi)場(chǎng)景并獲得了巨大成功.近年來(lái),為了提高推薦的準(zhǔn)確性,學(xué)者們提出一種具有分組特性的矩陣分解算法.然而,該方法一個(gè)不可避免的困難在于要克服特定的場(chǎng)景問(wèn)題,即如何根據(jù)不同的推薦場(chǎng)景對(duì)用戶和物品進(jìn)行分組,如分別針對(duì)電影和新聞的推薦等.在本文中,我們提出了一種改進(jìn)的譜聚類方法,用以獲取用戶和物品的分組信息并進(jìn)而向用戶作推薦.首先,利用James-Stein收縮估計(jì)量改進(jìn)譜聚類的性能.然后,改進(jìn)的譜聚類算法被用于對(duì)樣本中的用戶和物品分別進(jìn)行聚類.與同類算法相比,該算法對(duì)樣本分布沒(méi)有作任何假設(shè),因此當(dāng)出現(xiàn)高維或稀疏數(shù)據(jù)時(shí),我們的方法也可以獲得合理的用戶和物品組.實(shí)驗(yàn)表明,我們的方法能顯著降低推薦的誤差.同時(shí)也因該方法能解決不同推薦場(chǎng)景下的分組問(wèn)題,使得其實(shí)用性被大大提高. 

【文章頁(yè)數(shù)】：46 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景
        1.1.1 推薦系統(tǒng)簡(jiǎn)介
        1.1.2 譜聚類簡(jiǎn)介
    1.2 文獻(xiàn)綜述
    1.3 研究目的
    1.4 主要工作
    1.5 本文結(jié)構(gòu)安排
第二章 方法介紹
    2.1 基于矩陣分解的協(xié)同過(guò)濾
    2.2 經(jīng)典譜聚類
    2.3 James-Stein收縮估計(jì)
第三章 將收縮譜聚類嵌入推薦算法
    3.1 帶有壓縮性質(zhì)的譜聚類
    3.2 帶有分組的推薦系統(tǒng)
第四章 模擬研究和分析
    4.1 仿真數(shù)據(jù)
    4.2 實(shí)驗(yàn)過(guò)程
    4.3 結(jié)果分析
第五章 實(shí)際數(shù)據(jù)分析
    5.1 Movie Lens數(shù)據(jù)集
        5.1.1 數(shù)據(jù)集介紹
        5.1.2 模擬結(jié)果分析
    5.2 豆瓣電影評(píng)分?jǐn)?shù)據(jù)集
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 實(shí)驗(yàn)結(jié)果與分析
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 不足與展望
參考文獻(xiàn)
致謝



本文編號(hào)：3669006