本文選題：推薦系統(tǒng)　切入點：協(xié)同過濾　出處：《吉林大學(xué)》2013年碩士論文

【摘要】：隨著網(wǎng)絡(luò)信息量的指數(shù)級增長，人們早已不缺乏所需信息，但海量的信息使得人們精準(zhǔn)的定位、查詢并獲取自己所需的信息成為了一個普遍的難題。因此產(chǎn)生了許多新技術(shù)來進行信息抽取、信息索引、信息過濾等。YouTube和優(yōu)酷網(wǎng)，包含了數(shù)以萬計的視頻，它們允許普通網(wǎng)民上傳自己感興趣的視頻，既調(diào)動了網(wǎng)民的積極性，也提高了網(wǎng)站的知名度和效益�？墒请S之也產(chǎn)生了用戶如何從海量的視頻信息中找到自己所需的信息的問題。用戶經(jīng)常會遇到這樣的情況：通過Google或者百度等搜索引擎或者其他一些方式進行查找時，返回的信息往往可以達(dá)到幾百個頁面，有不少情況令用戶淹沒于茫茫的信息的海洋之中。用戶付出了時間和精力，卻找到很少（甚至沒有）最想要的信息。個性化推薦系統(tǒng)就是在互聯(lián)網(wǎng)飛速發(fā)展和信息大爆炸的知識經(jīng)濟時代的大背景下產(chǎn)生了的，已經(jīng)成為了人們?nèi)粘＞W(wǎng)絡(luò)生活中必不可少的支持系統(tǒng)。它發(fā)源于人們的實際生活，，俗話說，物以類聚，人以群分。人們往往通過自己信任或者具有共同品味的朋友進行信息的獲取和信息的傳遞。 本文簡要的說明了個性化推薦系統(tǒng)研究的必要性，之后介紹了研究現(xiàn)狀，包括國內(nèi)和國外兩方面。國外的推薦系統(tǒng)發(fā)展，使得谷歌、亞馬遜等早已成為行業(yè)巨頭，我國的個性化推薦系統(tǒng)研究起步較晚，但也呈現(xiàn)出蓬勃發(fā)展的態(tài)勢。雖然現(xiàn)在個性化推薦技術(shù)已經(jīng)取得了不少成績，但還遠(yuǎn)沒有進入成熟階段，依然面臨很多的挑戰(zhàn)。 推薦系統(tǒng)可以認(rèn)為是一種黑盒，外部用戶不知道它的推薦過程。我們把推薦系統(tǒng)將潛在被推薦的物品稱為數(shù)據(jù)資源。推薦系統(tǒng)通過一定的推薦算法，對潛在的被推薦產(chǎn)品進行計算，令排名靠前的一些產(chǎn)品以用戶所喜聞樂見的方式（列表、圖片等）呈現(xiàn)給用戶。 目前主流的推薦算法主要有協(xié)同過濾算法（CollaborativeFilteringMethods）、基于內(nèi)容的過濾推薦算法（Content-BasedFilteringMethods）、基于二部圖結(jié)構(gòu)的推薦算法以及混合推薦算法（HybridFilteringMethods）。但每種推薦系統(tǒng)都有自己的應(yīng)用場景和所擅長的領(lǐng)域。本文在經(jīng)典的推薦系統(tǒng)的基礎(chǔ)之上，給出一個基于標(biāo)簽的雙向協(xié)同過濾模型DCMu。通過社會化標(biāo)簽，將用戶的已評分項目分為正向（喜歡）和負(fù)向（厭惡）兩大類。通過挖掘正負(fù)兩向的標(biāo)簽信息，從用戶對項目所添加的雙向標(biāo)簽中提取出用戶的正向模式和負(fù)向模式形成初始的用戶模型Mu。并在用戶初始模型的基礎(chǔ)上計算正反用戶之間的相似關(guān)聯(lián)性。用戶初始模型形成后，可以通過它的鄰居用戶的模型，對其進行擴充，將那些用戶u所不具有，而其相似鄰居所具有的正向模型和負(fù)向模型加入到用戶的初始化模型Mu中，進而將Mu擴展為更加完善的雙向用戶模型DMu，本文提出的DCMu模型就是Mu模型和DMu模型的集合結(jié)合。最后，我們將雙向協(xié)同過濾模型DCMu算法與兩個基準(zhǔn)算法進行了實驗對比，發(fā)現(xiàn)在推薦的準(zhǔn)確度和推薦列表排序的準(zhǔn)確性上，DCMu算法都要優(yōu)于兩個基準(zhǔn)算法。
[Abstract]:With the exponential growth of network information , people do not lack the information needed , but the huge amount of information makes people precise location , inquiry and acquisition of the information they need become a common problem . This paper briefly introduces the necessity of the research of personalized recommendation system , then introduces the research status quo , including both domestic and foreign countries . The recommendation system can be regarded as a black box , and the external user does not know its recommendation process . We call the recommended system to refer to the potentially recommended item as the data resource . The recommendation system calculates the potential recommended product by a certain recommendation algorithm , so that some products before the ranking are presented to the user in a manner ( list , picture , etc . ) that the user is pleased to see .

鐩墠涓繪祦鐨勬帹鑽愮畻娉曚富瑕佹湁鍗忓悓榪囨護綆楁硶(CollaborativeFilteringMethods),鍩轟簬鍐呭鐨勮繃婊ゆ帹鑽愮畻娉

本文編號：1654704