目前,人類正處于一個(gè)信息技術(shù)和互聯(lián)網(wǎng)高速發(fā)展的信息過(guò)載時(shí)代。作為一種有效緩解信息過(guò)載問(wèn)題的工具,推薦系統(tǒng)個(gè)性化地引導(dǎo)用戶選擇滿足其需求的項(xiàng)目。推薦系統(tǒng)能夠?qū)㈨?xiàng)目精準(zhǔn)地匹配給對(duì)應(yīng)的用戶,主要采用對(duì)用戶的行為數(shù)據(jù)進(jìn)行計(jì)算,從而獲得用戶的偏好需求。推薦系統(tǒng)通過(guò)有效地將用戶需求與最優(yōu)產(chǎn)品進(jìn)行映射,在提高用戶獲取、保留和滿意度方面發(fā)揮了重要作用。推薦算法決定了推薦系統(tǒng)的質(zhì)量,優(yōu)秀的推薦算法可以減少運(yùn)算時(shí)間和內(nèi)存消耗,并將符合用戶偏好的項(xiàng)目推薦給目標(biāo)用戶。因此,推薦系統(tǒng)具有廣泛的應(yīng)用價(jià)值,對(duì)其核心推薦算法的研究具有意義。其中,最廣泛使用的推薦算法是協(xié)同過(guò)濾算法。協(xié)同過(guò)濾算法的推薦結(jié)果豐富并且易于發(fā)現(xiàn)用戶的興趣偏好,但存在嚴(yán)重的數(shù)據(jù)稀疏、擴(kuò)展性差等問(wèn)題。數(shù)據(jù)稀疏問(wèn)題導(dǎo)致在計(jì)算用戶相似性時(shí)準(zhǔn)確率較低,從而使得算法的推薦準(zhǔn)確性下降。針對(duì)傳統(tǒng)協(xié)同過(guò)濾方法數(shù)據(jù)稀疏和擴(kuò)展性差的不足,本文提出基于局部?jī)?yōu)化奇異值分解和聚類的協(xié)同過(guò)濾算法。該算法采用局部?jī)?yōu)化的奇異值分解和K-Means++聚類對(duì)用戶-項(xiàng)目評(píng)分矩陣中的相似用戶進(jìn)行聚類并降低維度,利用基于巴氏系數(shù)的相似性計(jì)算方法來(lái)減少數(shù)據(jù)稀疏對(duì)相似性計(jì)算的影響。本文主...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的目的及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 針對(duì)提高推薦算法準(zhǔn)確性的研究現(xiàn)狀
        1.2.2 針對(duì)緩解協(xié)同過(guò)濾方法所面臨問(wèn)題的研究現(xiàn)狀
        1.2.3 針對(duì)相似性度量方法的研究現(xiàn)狀
    1.3 課題的主要研究?jī)?nèi)容
第2章 推薦算法相關(guān)理論基礎(chǔ)
    2.1 推薦系統(tǒng)
    2.2 推薦算法
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 協(xié)同過(guò)濾推薦算法
        2.2.3 推薦算法優(yōu)缺點(diǎn)對(duì)比
    2.3 推薦算法評(píng)估標(biāo)準(zhǔn)
        2.3.1 預(yù)測(cè)精度度量
        2.3.2 分類誤差度量
    2.4 本章小結(jié)
第3章 基于巴氏系數(shù)相似性度量的協(xié)同過(guò)濾
    3.1 協(xié)同過(guò)濾中的相似性度量
    3.2 巴氏系數(shù)
    3.3 基于巴氏系數(shù)改進(jìn)相似性度量的協(xié)同過(guò)濾
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 數(shù)據(jù)集的選取
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.3 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于局部?jī)?yōu)化的奇異值分解推薦算法
    4.1 奇異值分解方法
    4.2 局部?jī)?yōu)化的SVD推薦方法
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 數(shù)據(jù)集的選取
        4.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.3.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第5章 基于局部?jī)?yōu)化SVD和 K-Means++聚類的協(xié)同過(guò)濾算法
    5.1 K-Means++聚類
    5.2 基于局部?jī)?yōu)化SVD和 K-Means++聚類的協(xié)同過(guò)濾算法
    5.3 實(shí)驗(yàn)結(jié)果及分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.2 評(píng)估標(biāo)準(zhǔn)
        5.3.3 參數(shù)選取
        5.3.4 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3806715