發(fā)布時(shí)間：2024-01-25 11:12

　　推薦算法目前在很多應(yīng)用中都廣泛涉及,如淘寶網(wǎng)站可以根據(jù)用戶的購買記錄和瀏覽記錄為用戶推薦商品。好的推薦系統(tǒng)不僅可以節(jié)省用戶的瀏覽時(shí)間,更能及時(shí)為商家進(jìn)行宣傳。簡單的說,對用戶進(jìn)行推薦就是基于用戶的以往記錄進(jìn)行分析,從眾多記錄中分析出用戶的潛在偏好,根據(jù)用戶的特征對用戶進(jìn)行針對性的推薦。在推薦系統(tǒng)中,最重要的就是對用戶的特征進(jìn)行提取,得到用戶特征的過程實(shí)際上也是一種推薦過程。特征提取目前在很多領(lǐng)域中都有運(yùn)用,隨著大數(shù)據(jù)時(shí)代的到來,數(shù)據(jù)的規(guī)模也越來越大,特征提取中面臨的最大問題就是矩陣的規(guī)模和性質(zhì),對于稀疏矩陣而言,既要保證其提取后的特征的準(zhǔn)確性,又要兼顧在提取過程中的時(shí)間復(fù)雜度。針對上述問題設(shè)計(jì)了用戶偏好處理算法。針對矩陣規(guī)模大的問題,可以對原始的數(shù)據(jù)矩陣進(jìn)行采樣,為了最大限度的保留采樣前矩陣的特征,就需要選用合適的采樣方法。對采樣后的矩陣進(jìn)行特征分解,可以得到特征值和特征向量。為了保證提取的偏好特征的準(zhǔn)確性,本文設(shè)計(jì)了一種新的算法來提取矩陣的特征。即利用Nystr¨om方法的特性,結(jié)合凸的非負(fù)矩陣分解。具體方法如下:首先利用用戶的評(píng)分矩陣,將評(píng)分矩陣根據(jù)距離公式轉(zhuǎn)化為用戶-用戶的相似度...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 早期研究內(nèi)容
        1.2.2 目前的發(fā)展趨勢
        1.2.3 Nystr?m方法與特征提取
    1.3 基本符號(hào)和定義
        1.3.1 SPSD
        1.3.2 奇異值分解
        1.3.3 非負(fù)矩陣分解NMF
        1.3.4 核矩陣
    1.4 創(chuàng)新點(diǎn)
    1.5 內(nèi)容組織
2 相關(guān)工作
    2.1 凸的非負(fù)矩陣分解
    2.2 Nystr?m方法
    2.3 采樣方法
        2.3.1 統(tǒng)計(jì)影響力采樣
        2.3.2 自適應(yīng)采樣
    2.4 本章小結(jié)
3 偏好圖的聚類
    3.1 聚類
    3.2 算法及求解過程
    3.3 算法的性能尺度
    3.4 實(shí)驗(yàn)過程和結(jié)果
        3.4.1 數(shù)據(jù)集
        3.4.2 偏好聚類的算法比較
        3.4.3 實(shí)驗(yàn)過程
        3.4.4 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
4 基于Nystr?m的偏好特征的提取
    4.1 通過QR分解的Nystr?m方法
    4.2 算法過程
        4.2.1 算法描述
        4.2.2 算法求解實(shí)例
        4.2.3 算法的性能尺度
    4.3 實(shí)驗(yàn)過程和結(jié)果
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 實(shí)驗(yàn)過程與分析
    4.4 本章小結(jié)
5 偏好特征在推薦中的應(yīng)用
    5.1 降維空間中的鄰域形成
    5.2 算法與算法性能
        5.2.1 算法描述
        5.2.2 算法的性能尺度
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 實(shí)驗(yàn)過程與結(jié)果
        5.3.3 結(jié)果分析
6 總結(jié)與展望
參考文獻(xiàn)
致謝
在讀碩士期間發(fā)表的學(xué)術(shù)論文
附錄一 表目錄
附錄二 圖目錄



本文編號(hào)：3884712