隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,網(wǎng)絡信息呈爆炸式增長。用戶面對海量復雜且冗余的數(shù)據(jù)時,用戶往往無法快速尋找到有用的信息,這便會造成“信息過載”的問題。為了解決信息過載問題,推薦系統(tǒng)應運而生。推薦系統(tǒng)通過提取項目特征和收集用戶的歷史行為信息,然后結(jié)合相關(guān)推薦算法為用戶推薦感興趣的項目。推薦算法是推薦系統(tǒng)的靈魂,其中協(xié)同過濾算法是目前應用最廣泛的推薦算法。然而協(xié)同過濾算法也存在著一些不足之處,如處理高度稀疏的數(shù)據(jù)集時,會導致推薦系統(tǒng)的精度下降從而出現(xiàn)數(shù)據(jù)稀疏性問題;還有處理大規(guī)模數(shù)據(jù)集時,計算效率過低導致推薦效率下降從而出現(xiàn)可擴展性問題。因此,如何解決數(shù)據(jù)稀疏性和算法可擴展性問題對協(xié)同過濾算法研究具有重要意義。本文以基于受限玻爾茲曼機的協(xié)同過濾推薦算法為基礎(chǔ),結(jié)合用戶信任度、項目時間權(quán)重、多源信息聚類算法和Hadoop平臺進行研究。本文的主要工作和創(chuàng)新如下:1.針對協(xié)同過濾推薦系統(tǒng)中存在的數(shù)據(jù)稀疏性問題。本文首先以用戶信任度和項目時間權(quán)重為基礎(chǔ),改進了用戶之間的相似度計算公式,然后結(jié)合多源信息聚類算法進行評分預測;同時本文也改進了受限玻爾茲曼機模型的可見層,用高斯分布單元替代二值單元,改進后...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖4.215門課程的IRS值

基于受限玻爾茲曼機協(xié)同過濾和Hadoop-Mahout的課程推薦算法的研究Android攻城獅的第一門課（入門篇）9.62.0609036920.2881.886078857Linux達人養(yǎng)成計劃I9.64.5792196000.1504252.3112119....

圖5.7單、雙、三節(jié)點執(zhí)行推薦算法運行時間對比

基于受限玻爾茲曼機協(xié)同過濾和Hadoop-Mahout的課程推薦算法的研究圖5.65MB文件推薦結(jié)果Fig.5.65MBfilerecommendationresults從輸出結(jié)果看出，對用戶1的推薦課程為2號、11號、12號課程，推薦指數(shù)分為182....

圖4-2CRBM-CR看待評分數(shù)據(jù)的視角：將評分記錄進一步劃分出瀏覽記錄和購買記錄

基于受限玻爾茲曼機的協(xié)同推薦算法研究35為分別借用了協(xié)同過濾問題和單類協(xié)同過濾問題的受限玻爾茲曼機模型，本文分別將這兩種思路對應的算法簡記為RBM-CF2CR和RBM-OCCF2CR。上述RBM-CF2CR和RBM-OCCF2CR實際上代表了我們看待訓練數(shù)據(jù)（評分矩陣）的兩種視角....

圖４－５?ＣＲＢＭ圖模型??條件受限玻爾茲曼機（ＣＲＢＭ）加入了評分／未評分信息，ｒ表示評分／未評分信??息，ｒ＝０表示未評分，ｒ＝ｌ表示己評分，１？將影響隱藏層單元狀態(tài)

基于協(xié)同過濾的推薦算法研究??基于受限玻爾茲曼機的協(xié)同過濾??Ａｆｌ，?＝／（＜Ｖ，．?＞ｄａｔ〇?－＜Ｖ，．?＞，．ｅｃＪ??ａ６；?＞ｄａｌａ?－＜ｈｊ?＞ｒｅｃＪ??８?Ｅｎｄ?ｆｏｒ??９?Ｔ＝Ｔ－１??１０?Ｅｎｄ?Ｗｈｉｌｅ???４．?２．?３條件受限玻爾茲曼機協(xié)同過....

本文編號：3906120