目前,網(wǎng)絡(luò)技術(shù)發(fā)展迅速,網(wǎng)民可以在網(wǎng)上查找到各種類型的物品,但是由于信息數(shù)量眾多,用戶無法從海量的數(shù)據(jù)里迅速找到有價值、感興趣的東西。為了解決“信息過載”情況,推薦系統(tǒng)可以根據(jù)不同用戶的特征和愛好為其推薦各種類型并且喜歡的物品。其被廣泛服務(wù)于音樂、視頻、電子商務(wù)、位置服務(wù)等各個場景中。而協(xié)同過濾是流行的推薦算法之一。冷啟動、數(shù)據(jù)稀疏性問題存在于傳統(tǒng)的協(xié)同過濾算法中;大部分用戶對項目的評分跨越的時間較長,考慮到用戶興趣可能會隨時間發(fā)生改變的情況,在推薦中效果不佳。本文在此基礎(chǔ)上進一步做出研究,工作如下:(1)考慮到傳統(tǒng)的協(xié)同過濾算法存在的用戶冷啟動,論文采用基于用戶聚類的推薦算法進行研究,根據(jù)K-means算法對用戶屬性特征采取聚類。傳統(tǒng)推薦算法根據(jù)用戶對產(chǎn)品評分情況進行評分預(yù)測,而新注冊的用戶沒有任何評分記錄;因此,論文根據(jù)用戶屬性進行預(yù)測評分找到推薦列表,再對目標(biāo)用戶進行推薦。根據(jù)用戶注冊信息進行聚類,在一定水平上去緩解用戶冷啟動問題,即使在沒有評分值的情形下也能夠為目標(biāo)用戶給出推薦。(2)針對用戶興趣會由時間發(fā)生改變的問題,論文引入時間權(quán)重。計算用戶興趣偏好時,考慮到數(shù)據(jù)稀疏性問題...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
2 主流推薦算法
    2.1 協(xié)同過濾推薦算法
        2.1.1 基于內(nèi)存的協(xié)同過濾推薦算法
        2.1.2 基于模型的協(xié)同過濾推薦算法
    2.2 其它推薦算法
    2.3 協(xié)同過濾關(guān)鍵技術(shù)
    2.4 本章小結(jié)
3 基于用戶屬性與用戶偏好的推薦
    3.1 基于用戶屬性聚類的推薦
        3.1.1 用戶屬性特征
        3.1.2 用戶屬性聚類
        3.1.3 用戶屬性的評分預(yù)測
    3.2 基于用戶興趣偏好的推薦
        3.2.1 用戶興趣模型
        3.2.2 時間權(quán)重因子
        3.2.3 時間加權(quán)的評分預(yù)測
    3.3 用戶屬性與用戶偏好的協(xié)同過濾推薦
    3.4 本章小結(jié)
4 實驗設(shè)計與結(jié)果分析
    4.1 實驗數(shù)據(jù)集
    4.2 實驗方案
        4.2.1 實驗仿真
        4.2.2 實驗效果度量標(biāo)準(zhǔn)
    4.3 實驗結(jié)果分析
        4.3.1 用戶聚類對A_CF算法的影響
        4.3.2 混合權(quán)重ω對ATW_CF算法的影響
        4.3.3 ATW_CF算法與A_CF、TW_CF算法比較
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
附錄A：作者攻讀碩士學(xué)位期間發(fā)表論文及科研情況
致謝



本文編號：3878668