發(fā)布時間：2024-02-18 01:02

　　隨著圖書資源的不斷豐富與現(xiàn)代信息技術(shù)的飛速發(fā)展,“信息超載”的矛盾日益惡化,引起眾多研究者的密切關(guān)注。目前在學(xué)界解決這種問題的常見有效途徑有兩條:搜索技術(shù)和個性化推薦技術(shù)。個性化推薦技術(shù)也稱推薦系統(tǒng),相比于搜索引擎,不依賴于用戶主動鍵入搜索內(nèi)容,不借助于用戶提供明確的關(guān)鍵詞導(dǎo)向,通過收集用戶的歷史行為習(xí)慣數(shù)據(jù)或標(biāo)注信息,為用戶建立興趣模型,預(yù)測用戶對某一圖書是否喜歡以及喜好程度的高低,再主動給用戶推薦其最有可能喜愛或者感興趣的信息。在實踐中,基于用戶的協(xié)同過濾算法以其獨特的優(yōu)勢在推薦系統(tǒng)中得到大量的應(yīng)用,但仍存在一些關(guān)鍵問題亟待解決,如數(shù)據(jù)稀疏,冷啟動,數(shù)據(jù)缺失,推薦準(zhǔn)確性和多樣性,推薦效率的問題等等。面對傳統(tǒng)的基于用戶的協(xié)同過濾推薦系統(tǒng)的不足,本文研究了傳統(tǒng)的基于用戶的協(xié)同過濾算法的相關(guān)技術(shù),并在此基礎(chǔ)上提出了一些改進(jìn)算法。在對優(yōu)化的用戶-圖書評分矩陣計算用戶相似度時,考慮到兩個用戶的公共評級項目數(shù)量對評分次數(shù)對結(jié)果的影響,將兩個用戶共同項目相似度添加為閾值,用戶評級的數(shù)量也包括在計算過程中,并且轉(zhuǎn)換用戶對圖書的評分的次數(shù)是用戶評定該屬性的次數(shù)。公共評級項目的數(shù)量越大,評分次數(shù)越多,...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第2章 推薦系統(tǒng)相關(guān)理論與技術(shù)研究
    2.1 常見的推薦算法
        2.1.1 基于用戶的推薦
        2.1.2 基于內(nèi)容的推薦方法
        2.1.3 基于人口統(tǒng)計學(xué)的推薦
        2.1.4 基于關(guān)聯(lián)規(guī)則的推薦
        2.1.5 組合推薦技術(shù)
    2.2 各種推薦技術(shù)的對比
    2.3 相似性計算
        2.3.1 歐幾里德距離
        2.3.2 余弦相似性
        2.3.3 調(diào)整后的余弦相似性
        2.3.4 皮爾森相關(guān)系數(shù)
        2.3.5 杰卡德系數(shù)相似系數(shù)
    2.4 本章小結(jié)
第3章 協(xié)同過濾面臨的挑戰(zhàn)
    3.1 冷啟動問題
    3.2 準(zhǔn)確度和多樣性問題
    3.3 數(shù)據(jù)缺失
    3.4 本章小結(jié)
第4章 對傳統(tǒng)基于用戶的協(xié)同過濾推薦算法改進(jìn)工作
    4.1 基于公共項目數(shù)量的用戶相似度
    4.2 用戶屬性評分相似度
    4.3 改進(jìn)基于用戶的協(xié)同過濾算法
    4.4 本章小結(jié)
第5章 實驗方案設(shè)計與結(jié)果分析
    5.1 實驗準(zhǔn)備
        5.1.1 實驗數(shù)據(jù)
        5.1.2 實驗環(huán)境和條件
        5.1.3 評價標(biāo)準(zhǔn)
    5.2 實驗過程
        5.2.1 實驗方案
        5.2.2 多重交叉驗證
    5.3 實驗結(jié)果及分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
個人簡介



本文編號：3901622