隨著大數(shù)據(jù)時(shí)代的到來(lái),人們很難從大量的信息中找到他們所需的信息。推薦系統(tǒng)對(duì)用戶的愛(ài)好、習(xí)慣等信息數(shù)據(jù)進(jìn)行收集和分析,便于能夠迅速精確地推薦給用戶他們所需要的信息。因此推薦系統(tǒng)成為緩解信息過(guò)載問(wèn)題較為普遍的方法。而協(xié)同過(guò)濾算法是最常見(jiàn)的推薦方法之一。針對(duì)推薦系統(tǒng)協(xié)同過(guò)濾方法中存在的數(shù)據(jù)稀疏和冷啟動(dòng)等問(wèn)題,提出一種混合相似性模型的協(xié)同過(guò)濾推薦算法。該算法首先計(jì)算用戶在不同項(xiàng)目間的相似性,然后結(jié)合項(xiàng)目特性和標(biāo)簽信息權(quán)重來(lái)描述用戶、項(xiàng)目、特性和標(biāo)簽之間的關(guān)系;其次,設(shè)定用戶偏好因子和不對(duì)稱因子調(diào)整不同用戶間的評(píng)分偏好;最后,結(jié)合用戶間相似性、項(xiàng)目綜合權(quán)重、以及評(píng)分偏好構(gòu)建混合相似性模型,并加入用戶時(shí)間權(quán)重信息解決項(xiàng)目冷啟動(dòng)問(wèn)題。在公開(kāi)的Movielens等數(shù)據(jù)集上的實(shí)驗(yàn)表明,該算法在各種評(píng)估指標(biāo)上比其他相關(guān)方法獲得更顯著的效果。具體研究?jī)?nèi)容如下:（1）針對(duì)推薦系統(tǒng)的協(xié)同過(guò)濾方法中長(zhǎng)久留存的數(shù)據(jù)稀疏問(wèn)題,本文提出基于評(píng)分的用戶混合相似模型對(duì)不同用戶在不同項(xiàng)目間的相似度進(jìn)行計(jì)算,并將不同項(xiàng)目間的評(píng)級(jí)關(guān)系作為權(quán)重調(diào)整用戶相似度。同時(shí),為了平衡不同用戶間的評(píng)分偏好并提高模型的可靠性,提高推薦的準(zhǔn)確度,... 

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 問(wèn)題提出
    1.4 本文的組織結(jié)構(gòu)
第二章 相關(guān)理論和方法
    2.1 推薦系統(tǒng)
    2.2 協(xié)同過(guò)濾算法
    2.3 相似度計(jì)算方法
    2.4 本章小結(jié)
第三章 基于不同項(xiàng)目的用戶相似度推薦模型構(gòu)建
    3.1 問(wèn)題概述
    3.2 基于不同項(xiàng)目的用戶相似度推薦模型
        3.2.1 基于不同項(xiàng)目的用戶相似度
        3.2.2 不同項(xiàng)目間的關(guān)系權(quán)重
        3.2.3 模型構(gòu)建
        3.2.4 算例分析
    3.3 本章小結(jié)
第四章 混合相似模型的構(gòu)建及其推薦方法
    4.1 問(wèn)題概述
    4.2 基于項(xiàng)目特性與標(biāo)簽權(quán)重模型
        4.2.1 基于項(xiàng)目特性的權(quán)重計(jì)算
        4.2.2 基于項(xiàng)目標(biāo)簽的權(quán)重計(jì)算
        4.2.3 基于項(xiàng)目特性與標(biāo)簽權(quán)重的模型構(gòu)建
        4.2.4 算例分析
    4.3 混合相似性模型的構(gòu)建
    4.4 混合相似性模型的協(xié)同過(guò)濾推薦算法實(shí)現(xiàn)
    4.5 算例分析
    4.6 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果與分析
    5.1 數(shù)據(jù)集及數(shù)據(jù)處理
    5.2 評(píng)價(jià)標(biāo)準(zhǔn)
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 參數(shù)對(duì)模型的影響
        5.3.2 對(duì)比實(shí)驗(yàn)
        5.3.3 不同數(shù)據(jù)集準(zhǔn)確度評(píng)價(jià)
    5.4 實(shí)驗(yàn)總結(jié)
第六章 總結(jié)和展望
    6.1 工作總結(jié)
    6.2 問(wèn)題與展望
致謝
參考文獻(xiàn)
附錄 A 攻讀碩士學(xué)位期間科研成果


【參考文獻(xiàn)】：
期刊論文
[1]融合似然比相似度的協(xié)同過(guò)濾推薦算法研究[J]. 王嶸冰,徐紅艷,馮勇,郭浩.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[2]基于潛在主題的混合上下文推薦算法[J]. 李平,張路遙,曹霞,胡檢華.  電子與信息學(xué)報(bào). 2018(04)
[3]基于改進(jìn)用戶相似性度量和評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J]. 李昆侖,萬(wàn)品哲,張德智.  小型微型計(jì)算機(jī)系統(tǒng). 2018(03)
[4]融合偏好交互的組推薦算法模型[J]. 鄭偉,李博涵,王雅楠,秦小麟.  小型微型計(jì)算機(jī)系統(tǒng). 2018(02)
[5]一種基于效用的個(gè)性化文章推薦方法[J]. 尹祎,馮丹,施展.  計(jì)算機(jī)學(xué)報(bào). 2017(12)
[6]基于模糊核聚類和支持向量機(jī)的魯棒協(xié)同推薦算法[J]. 伊華偉,張付志,巢進(jìn)波.  電子與信息學(xué)報(bào). 2017(08)
[7]考慮用戶活躍度和項(xiàng)目流行度的基于項(xiàng)目最近鄰的協(xié)同過(guò)濾算法[J]. 王錦坤,姜元春,孫見(jiàn)山,孫春華.  計(jì)算機(jī)科學(xué). 2016(12)
[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]一種利用多群組智慧的協(xié)同推薦算法[J]. 鄭修猛,陳福才,吳奇,朱宇航,黃瑞陽(yáng).  西安交通大學(xué)學(xué)報(bào). 2016(10)
[10]基于知識(shí)模式挖掘的流程知識(shí)推薦系統(tǒng)[J]. 劉海濤,趙衛(wèi)東.  計(jì)算機(jī)集成制造系統(tǒng). 2017(02)



本文編號(hào)：3702814