個(gè)性化推薦的主要意義在于能夠幫助人們從海量的信息數(shù)據(jù)中,挖掘出用戶可能感興趣的信息,節(jié)省用戶搜尋信息的時(shí)間,提高用戶的效率,改善用戶體驗(yàn)。一個(gè)推薦系統(tǒng)的主體主要包括用戶和物品,在實(shí)現(xiàn)個(gè)性化推薦的過程中,往往需要比較主體與主體之間的相似度,從而為個(gè)性化推薦提供依據(jù)。然而傳統(tǒng)的協(xié)同過濾算法僅僅考慮了用戶之間的共同評(píng)分項(xiàng),忽略了用戶與物品之間的關(guān)系,使得推薦的結(jié)果并不理想。推薦系統(tǒng)主體間的關(guān)系能夠反映其本身的特征,一方面,用戶對(duì)物品的歷史評(píng)分能夠很好地量化用戶的偏好特征,另一方面,用戶對(duì)物品所作標(biāo)簽也為物品特征的構(gòu)建提供真實(shí)依據(jù)。因此基于主體之間的交互來對(duì)其本身特征進(jìn)行改進(jìn)能更好提高推薦的精度。本文基于此思想提出了一種基于主體特征的矩陣分解推薦算法。主要工作如下:1、針對(duì)傳統(tǒng)的Funk-SVD模型沒有考慮主體的具體細(xì)節(jié)以及主體間交互記錄的問題,提出了一種結(jié)合用戶偏好的矩陣分解模型,該模型首先根據(jù)用戶與物品的歷史交互記錄,構(gòu)建用戶偏好特征,然后將主體的特征差異與矩陣分解模型結(jié)合,訓(xùn)練出用戶特征以及物品特征。在構(gòu)建相似用戶集合時(shí),將矩陣分解所得的用戶特征和根據(jù)歷史交互記錄構(gòu)建的用戶偏好特征以及不... 

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文結(jié)構(gòu)安排
第2章 相關(guān)理論介紹
    2.1 基本推薦算法介紹
        2.1.1 協(xié)同過濾推薦算法
        2.1.2 基于內(nèi)容的推薦算法
        2.1.3 混合推薦算法
        2.1.4 基于模型的推薦算法
    2.2 主體特征
    2.3 標(biāo)簽推薦技術(shù)
    2.4 推薦系統(tǒng)評(píng)價(jià)標(biāo)準(zhǔn)
    2.5 本章小結(jié)
第3章 結(jié)合用戶偏好的矩陣分解模型
    3.1 用戶偏好特征
        3.1.1 slope one推薦算法
        3.1.2 用戶偏好的表示
    3.2 評(píng)分偏差
    3.3 基于用戶評(píng)分置信度的用戶相似度計(jì)算
    3.4 SFMF推薦算法
    3.5 本章小結(jié)
第4章 物品特征改進(jìn)及算法總流程
    4.1 基于圖的推薦算法
    4.2 用戶物品標(biāo)簽三部圖
    4.3 基于標(biāo)簽置信度的熱量傳遞
    4.4 基于改進(jìn)主體特征的矩陣分解推薦算法
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)集及環(huán)境
    5.2 實(shí)驗(yàn)方案
    5.3 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于注意力機(jī)制的規(guī)范化矩陣分解推薦算法[J]. 張青博,王斌,崔寧寧,宋曉旭,秦婧.  軟件學(xué)報(bào). 2020(03)
[2]一種優(yōu)化聚類的協(xié)同過濾推薦算法[J]. 王永貴,劉凱奇.  計(jì)算機(jī)工程與應(yīng)用. 2020(15)
[3]基于全加權(quán)矩陣分解的用戶協(xié)同過濾推薦算法[J]. 鄧秀勤,劉太亨,劉富春,龍?jiān)伡t.  計(jì)算機(jī)科學(xué). 2019(S2)
[4]一種基于標(biāo)簽的Top-N個(gè)性化推薦算法[J]. 馬聞鍇,李貴,李征宇,韓子揚(yáng),曹科研.  計(jì)算機(jī)科學(xué). 2019(S2)
[5]基于二分圖劃分聯(lián)合聚類的協(xié)同過濾推薦算法[J]. 黃樂樂,馬慧芳,李寧,余麗.  計(jì)算機(jī)工程與科學(xué). 2019(11)
[6]高效圖推薦算法應(yīng)用研究[J]. 劉清,王帆,馮亮,夏天鶴,熊志奇,施濤.  軟件導(dǎo)刊. 2019(08)
[7]融合信任和基于概率矩陣分解的推薦算法[J]. 田保軍,楊滸昀,房建東.  計(jì)算機(jī)應(yīng)用. 2019(10)
[8]一種聚類與kNN結(jié)合的協(xié)同過濾算法[J]. 喻新潮,曾圣超,溫柳英,羅朝廣.  小型微型計(jì)算機(jī)系統(tǒng). 2019(04)
[9]基于時(shí)間相關(guān)度和覆蓋權(quán)重的協(xié)同過濾推薦算法[J]. 張志鵬,張堯,任永功.  模式識(shí)別與人工智能. 2019(04)
[10]基于知識(shí)圖譜的云端個(gè)性化測試推薦[J]. 段玉聰,邵禮旭,崔立真,高洪皓.  小型微型計(jì)算機(jī)系統(tǒng). 2018(12)



本文編號(hào)：3718020