隨著計(jì)算機(jī)科學(xué)和Web2.0技術(shù)的不斷發(fā)展,互聯(lián)網(wǎng)在我們的生活中扮演了越來越重要的角色,極大地豐富了人們的生活。然而互聯(lián)網(wǎng)的不斷發(fā)展產(chǎn)生了帶有“噪聲”和冗余信息的海量多媒體數(shù)據(jù),使得用戶對(duì)網(wǎng)絡(luò)多媒體資源的選擇和瀏覽變得愈發(fā)困難。本論文以社會(huì)化音樂(Social music)為例,面對(duì)網(wǎng)絡(luò)音樂資源的爆炸式增長,如何從海量社會(huì)化音樂資源中為用戶高效地推送其感興趣的高質(zhì)量音樂內(nèi)容已成為國內(nèi)外學(xué)術(shù)界關(guān)注的熱點(diǎn)課題,具有較高理論研究價(jià)值和實(shí)際應(yīng)用背景。本論文采用協(xié)同過濾為基礎(chǔ)構(gòu)建推薦系統(tǒng),作為傳統(tǒng)的推薦算法之一,協(xié)同過濾算法存在以下不足:1)協(xié)同過濾傳統(tǒng)的二部圖模型過于簡單,計(jì)算精度不夠;2)未能有效地利用社交網(wǎng)絡(luò)把社交屬性與推薦算法相結(jié)合,存在嚴(yán)重的冷啟動(dòng)問題;3)無法有效地平衡準(zhǔn)確率和覆蓋率之間的關(guān)系,兩者其中之一過高或過低都會(huì)影響用戶體驗(yàn)。針對(duì)這三個(gè)問題,本論文分別提出了三個(gè)算法:提出了基于標(biāo)簽的三部圖推薦算法。傳統(tǒng)的協(xié)同過濾所使用的二部圖(用戶-項(xiàng)目)模型僅依靠用戶和項(xiàng)目之間的關(guān)系,精度不夠且缺乏解釋性,所以本文引入了標(biāo)簽元素,將二部圖模型改進(jìn)為三部圖(用戶-項(xiàng)目-標(biāo)簽)模型,以提高推薦系...

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1基于用戶的協(xié)同過濾

第２章相關(guān)工作??濾推薦算法??濾［１１）雅薦算法（Ｃｏｌｌａｂｏｒａｔｉｖｅ?Ｆｉｌｔｅｒｉｎｇ）的核心思想ｉｎｎ１２】是通過分為用戶進(jìn)行決策和判斷。當(dāng)協(xié)同過濾推薦算法要為某個(gè)用戶進(jìn)行內(nèi)，會(huì)首先在用戶群中搜索與其具有相似興趣點(diǎn)的用戶，然后將這些的項(xiàng)目和內(nèi)容推薦給目標(biāo)用戶。協(xié)同過....

圖2一2基于項(xiàng)目的協(xié)同過濾

項(xiàng)目的協(xié)同過濾推薦算法與基于用戶的協(xié)同過濾推薦算法具有相同，隨著公司業(yè)務(wù)的不斷發(fā)展，用戶的數(shù)量也不斷膨脹，要在用戶之間的比較計(jì)算代價(jià)越來越大，推薦系統(tǒng)的效率會(huì)越來越低，己經(jīng)無法滿要�；陧�(xiàng)目的協(xié)同過濾的核心思想是將用戶之間的比較轉(zhuǎn)換到項(xiàng)目，如果兩個(gè)項(xiàng)目夕間具有比較高的相仙蘿那么喜....

圖２－５將二維數(shù)據(jù)降維后的可視化圖??２０??

標(biāo)軸才是最具有重要信息的部分，只要保留住了這部分信息，而忽略坐標(biāo)系中方??差幾乎趨近于０的維度特征，就成功的實(shí)現(xiàn)了對(duì)數(shù)據(jù)特征的去噪和降維。??如圖２－５所示，我們可以看出圖中數(shù)據(jù)點(diǎn)的分布并不是均勻的，而是集中在??坐標(biāo)系的某個(gè)部位，數(shù)據(jù)集的可視化圖像為長方形狀，并呈現(xiàn)出一條線性的....

圖２－６原矩陣４經(jīng)過ＳＶＤ分解??

標(biāo)軸才是最具有重要信息的部分，只要保留住了這部分信息，而忽略坐標(biāo)系中方??差幾乎趨近于０的維度特征，就成功的實(shí)現(xiàn)了對(duì)數(shù)據(jù)特征的去噪和降維。??如圖２－５所示，我們可以看出圖中數(shù)據(jù)點(diǎn)的分布并不是均勻的，而是集中在??坐標(biāo)系的某個(gè)部位，數(shù)據(jù)集的可視化圖像為長方形狀，并呈現(xiàn)出一條線性的....

本文編號(hào)：4018253