隨著大數(shù)據(jù)時(shí)代的到來(lái),當(dāng)今時(shí)代每天都有大量的數(shù)據(jù)產(chǎn)生,如何使這些信息得到有效的利用是當(dāng)前的主要問(wèn)題,上世紀(jì)九十年代推薦系統(tǒng)應(yīng)運(yùn)而生,其通過(guò)對(duì)過(guò)往信息的整理與分析,可以從海量的信息中快速的找出用戶所需要的信息,使得用戶得到個(gè)性化的推薦,從而不斷提高用戶的忠誠(chéng)度.推薦系統(tǒng)作為信息處理系統(tǒng)大致可以分為:基于內(nèi)容推薦,協(xié)同過(guò)濾推薦和基于模型推薦三類.當(dāng)前主流的推薦算法為協(xié)同過(guò)濾推薦算法,協(xié)同過(guò)濾算法又含以下三種類型,一種是基于用戶的協(xié)同過(guò)濾,另一種是基于項(xiàng)目的協(xié)同過(guò)濾,最后一種是基于模型的協(xié)同過(guò)濾.2005年Dianl lemire提出了一種slope one的協(xié)同過(guò)濾算法,該算法具有算法簡(jiǎn)單,易于實(shí)現(xiàn),效率高準(zhǔn)確性高等優(yōu)點(diǎn),但是slope one算法并未考慮用戶之間的個(gè)性差異.不得不承認(rèn)每個(gè)人都有自己的個(gè)性,所謂的相似也是指在某一方面的相似,正因?yàn)槿绱?slope one算法以整體的相似差異來(lái)預(yù)測(cè)用戶在某特定方面的差異時(shí)會(huì)產(chǎn)生很大的誤差.以推薦電影為例,如用戶A喜歡看的電影類型為:科幻類和武打類,而用戶B喜歡看科幻類,愛情類的電影,當(dāng)我們預(yù)測(cè)用戶B對(duì)科幻類電影的評(píng)分時(shí),需要計(jì)算用戶B與用戶A...

【文章頁(yè)數(shù)】：42 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
    1.2 研究意義
    1.3 研究?jī)?nèi)容與現(xiàn)狀
    1.4 章節(jié)安排
第二章 相關(guān)理論
    2.1 符號(hào)
    2.2 非個(gè)性化算法
    2.3 person reference方案
    2.4 slope one方案
        2.4.1 slope one
        2.4.2 加權(quán)slope one
        2.4.3 兩極slope one方案
    2.5 增值slope one方案
        2.5.1 增值slope one
        2.5.2 增值加權(quán)slope one
        2.5.3 增值兩極slope one方案
第三章 個(gè)性化的動(dòng)態(tài)slope one
    3.1 個(gè)性化的slope one
    3.2 個(gè)性化的加權(quán)slope one
    3.3 個(gè)性化兩極slope one
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 實(shí)驗(yàn)數(shù)據(jù)集
    4.3 結(jié)果與分析
        4.3.1 評(píng)價(jià)指標(biāo)
        4.3.2 結(jié)果對(duì)比
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3790139