大數(shù)據(jù)時代的來臨,使得信息過載現(xiàn)象日益明顯。推薦系統(tǒng)的產(chǎn)生與不斷發(fā)展有效緩解了這一問題。但是,隨著人們生活質(zhì)量的提升,個性化的需求凸顯出來,如何針對不同顧客的個性化需求進(jìn)行精準(zhǔn)的推薦,成了當(dāng)今研究的熱門話題。本文將針對這一問題,對個性化推薦算法進(jìn)行研究,并提出了兩種針對不同數(shù)據(jù)集情況下的個性化推薦模型。主要研究內(nèi)容如下:針對淘寶平臺中有評語的小樣本行為數(shù)據(jù)集進(jìn)行推薦時,往往存在數(shù)據(jù)集的不平衡和樣本稀疏問題。針對不平衡數(shù)據(jù)集分類問題提出一種新的模型,該模型首先對不平衡數(shù)據(jù)集中的在決策邊界的少類樣本利用TSMOTE算法進(jìn)行循環(huán)合成,然后將新合成的少類樣本集與決策邊界外合成的少類樣本集合并,以此進(jìn)行過采樣處理,從而提高少數(shù)類樣本的重要度;其次,對于SVM在分類過程中由于數(shù)據(jù)不平衡導(dǎo)致的訓(xùn)練時超平面偏移現(xiàn)象,將DEC算法作為分類器的分類算法,并利用客觀的標(biāo)準(zhǔn)差選取懲罰系數(shù),提高了分類算法的性能。為了降低數(shù)據(jù)集稀疏性,本文引入KNN與改進(jìn)的SVM混合來進(jìn)行預(yù)測,該模型首先通過二分類得到得到“喜歡”和“不喜歡”兩類。再通過KNN與SVM混合的協(xié)同過濾分類模型進(jìn)行SVM多分類評分預(yù)測,最后進(jìn)行Top... 

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景
    1.2 選題目的及意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 主要研究內(nèi)容
    1.5 論文章節(jié)安排
2 個性化推薦相關(guān)技術(shù)及模型分析
    2.1 文本分類概述
        2.1.1 文本分類過程
        2.1.2 中文分詞
        2.1.3 文本特征降維
        2.1.4 文本分類算法
        2.1.5 情感分析
    2.2 集成學(xué)習(xí)相關(guān)技術(shù)
        2.2.1 集成學(xué)習(xí)概述
        2.2.2 Boosting算法
    2.3 個性化推薦算法
        2.3.1 基于內(nèi)容過濾的推薦算法
        2.3.2 基于用戶的相似推薦
        2.3.3 ItemCF和UserCF的比較
    2.4 本文模型的需求分析
    2.5 本章小結(jié)
3 基于商品評價改進(jìn)的推薦模型
    3.1 不平衡數(shù)據(jù)集分類
    3.2 商品評語數(shù)據(jù)集的不平衡性
    3.3 改進(jìn)的LBT-SMOTE過采樣算法
        3.3.1 L-SMOTE算法
        3.3.2 B-SMOTE算法
        3.3.3 TSMOTE算法
        3.3.4 LBT-SMOTE過采樣算法
    3.4 基于標(biāo)準(zhǔn)差的DEC分類算法的優(yōu)化方法
        3.4.1 支持向量機(jī)
        3.4.2 改進(jìn)的DEC算法
    3.5 基于改進(jìn)的KNN-SVM混合協(xié)同過濾推薦算法
        3.5.1 原始用戶項(xiàng)目-評分矩陣
        3.5.2 推薦算法模型描述
    3.6 實(shí)驗(yàn)分析
        3.6.1 實(shí)驗(yàn)數(shù)據(jù)
        3.6.2 實(shí)驗(yàn)評價指標(biāo)
        3.6.3 實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
4 基于用戶行為的改進(jìn)的推薦模型
    4.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        4.1.1 實(shí)驗(yàn)數(shù)據(jù)來源
        4.1.2 數(shù)據(jù)預(yù)處理
        4.1.3 特征的設(shè)計(jì)與提取
    4.2 相關(guān)算法原理及模型介紹
        4.2.1 基于時間上下文的UserCF推薦
        4.2.2 Xgboost算法
    4.3 基于Xgboost的推薦算法模型構(gòu)建
        4.3.1 基于Xgboost框架的推薦
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 實(shí)驗(yàn)評價指標(biāo)
        4.4.3 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]個性化推薦系統(tǒng)的研究進(jìn)展[J]. 劉建國,周濤,汪秉宏.  自然科學(xué)進(jìn)展. 2009(01)
[2]支持向量機(jī)理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學(xué)學(xué)報. 2011(01)
[3]基于信息熵理論的綜合評價方法[J]. 周薇,李筱菁.  科學(xué)技術(shù)與工程. 2010(23)
[4]欠采樣與過采樣技術(shù)研究[J]. 陳云,韋天煥.  信息通信. 2015(04)
[5]梯度漸進(jìn)回歸樹算法在電子商務(wù)品牌推薦中的應(yīng)用[J]. 申端明,喬德新,許琨,林霞,江日念.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(06)
[6]基于排序?qū)W習(xí)的推薦算法研究綜述[J]. 黃震華,張佳雯,田春岐,孫圣力,向陽.  軟件學(xué)報. 2016(03)
[7]機(jī)器學(xué)習(xí)算法在數(shù)據(jù)挖掘中的應(yīng)用[J]. 朱天元.  數(shù)字技術(shù)與應(yīng)用. 2017(03)
[8]基于模糊數(shù)學(xué)理論的壓濾車間績效評價模型[J]. 高建,張立海,朱再勝.  選煤技術(shù). 2016(01)
[9]基于改進(jìn)SMOTE的小額貸款公司客戶信用風(fēng)險非均衡SVM分類[J]. 衣柏衡,朱建軍,李杰.  中國管理科學(xué). 2016(03)
[10]離散神經(jīng)網(wǎng)絡(luò)求解支持向量機(jī)中的凸優(yōu)化問題[J]. 劉鳳秋,張紅旭.  哈爾濱理工大學(xué)學(xué)報. 2018(04)

碩士論文
[1]基于支持向量機(jī)的Top-N協(xié)同過濾推薦算法研究[D]. 張宇.山西大學(xué) 2016
[2]在線學(xué)習(xí)系統(tǒng)中的深度學(xué)習(xí)推薦算法研究[D]. 沈筱譞.華中師范大學(xué) 2017
[3]基于SVD與SVM混合推薦的電影推薦系統(tǒng)的研究[D]. 薄慧麗.太原理工大學(xué) 2017
[4]基于集成學(xué)習(xí)的移動電商用戶個性化推薦[D]. 周俊鋒.華南理工大學(xué) 2016
[5]基于異質(zhì)信息網(wǎng)絡(luò)的深度學(xué)習(xí)推薦算法研究[D]. 溫玉嬌.東北師范大學(xué) 2019



本文編號：3723095