大數據時代的來臨,使得信息過載現象日益明顯。推薦系統(tǒng)的產生與不斷發(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行精準的推薦,成了當今研究的熱門話題。本文將針對這一問題,對個性化推薦算法進行研究,并提出了兩種針對不同數據集情況下的個性化推薦模型。主要研究內容如下:針對淘寶平臺中有評語的小樣本行為數據集進行推薦時,往往存在數據集的不平衡和樣本稀疏問題。針對不平衡數據集分類問題提出一種新的模型,該模型首先對不平衡數據集中的在決策邊界的少類樣本利用TSMOTE算法進行循環(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,以此進行過采樣處理,從而提高少數類樣本的重要度;其次,對于SVM在分類過程中由于數據不平衡導致的訓練時超平面偏移現象,將DEC算法作為分類器的分類算法,并利用客觀的標準差選取懲罰系數,提高了分類算法的性能。為了降低數據集稀疏性,本文引入KNN與改進的SVM混合來進行預測,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)同過濾分類模型進行SVM多分類評分預測,最后進行Top... 

【文章頁數】：62 頁

【學位級別】：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 國內外研究現狀
    1.4 主要研究內容
    1.5 論文章節(jié)安排
2 個性化推薦相關技術及模型分析
    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 集成學習相關技術
        2.2.1 集成學習概述
        2.2.2 Boosting算法
    2.3 個性化推薦算法
        2.3.1 基于內容過濾的推薦算法
        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
3 基于商品評價改進的推薦模型
    3.1 不平衡數據集分類
    3.2 商品評語數據集的不平衡性
    3.3 改進的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 基于標準差的DEC分類算法的優(yōu)化方法
        3.4.1 支持向量機
        3.4.2 改進的DEC算法
    3.5 基于改進的KNN-SVM混合協(xié)同過濾推薦算法
        3.5.1 原始用戶項目-評分矩陣
        3.5.2 推薦算法模型描述
    3.6 實驗分析
        3.6.1 實驗數據
        3.6.2 實驗評價指標
        3.6.3 實驗結果與分析
    3.7 本章小結
4 基于用戶行為的改進的推薦模型
    4.1 實驗數據準備
        4.1.1 實驗數據來源
        4.1.2 數據預處理
        4.1.3 特征的設計與提取
    4.2 相關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的推薦算法模型構建
        4.3.1 基于Xgboost框架的推薦
    4.4 實驗結果及分析
        4.4.1 實驗環(huán)境
        4.4.2 實驗評價指標
        4.4.3 實驗結果與分析
    4.5 本章小結
結論
參考文獻
附錄
攻讀學位期間發(fā)表的學術論文
致謝


【參考文獻】：
期刊論文
[1]個性化推薦系統(tǒng)的研究進展[J]. 劉建國,周濤,汪秉宏.  自然科學進展. 2009(01)
[2]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)
[3]基于信息熵理論的綜合評價方法[J]. 周薇,李筱菁.  科學技術與工程. 2010(23)
[4]欠采樣與過采樣技術研究[J]. 陳云,韋天煥.  信息通信. 2015(04)
[5]梯度漸進回歸樹算法在電子商務品牌推薦中的應用[J]. 申端明,喬德新,許琨,林霞,江日念.  計算機系統(tǒng)應用. 2015(06)
[6]基于排序學習的推薦算法研究綜述[J]. 黃震華,張佳雯,田春岐,孫圣力,向陽.  軟件學報. 2016(03)
[7]機器學習算法在數據挖掘中的應用[J]. 朱天元.  數字技術與應用. 2017(03)
[8]基于模糊數學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. 2016(01)
[9]基于改進SMOTE的小額貸款公司客戶信用風險非均衡SVM分類[J]. 衣柏衡,朱建軍,李杰.  中國管理科學. 2016(03)
[10]離散神經網絡求解支持向量機中的凸優(yōu)化問題[J]. 劉鳳秋,張紅旭.  哈爾濱理工大學學報. 2018(04)

碩士論文
[1]基于支持向量機的Top-N協(xié)同過濾推薦算法研究[D]. 張宇.山西大學 2016
[2]在線學習系統(tǒng)中的深度學習推薦算法研究[D]. 沈筱譞.華中師范大學 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 2017
[4]基于集成學習的移動電商用戶個性化推薦[D]. 周俊鋒.華南理工大學 2016
[5]基于異質信息網絡的深度學習推薦算法研究[D]. 溫玉嬌.東北師范大學 2019



本文編號：3723095