本文關(guān)鍵詞：基于混合模型的推薦系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：伴隨大數(shù)據(jù)時代的到來,人們每天面臨著海量數(shù)字信息,信息過載問題日益嚴重。傳統(tǒng)的獲取信息的方式是傳統(tǒng)的門戶網(wǎng)站和通過搜索引擎主動搜索,這已經(jīng)不能及時滿足人們對有效信息的獲取。推薦系統(tǒng)的出現(xiàn)和發(fā)展帶來了獲取信息方式的改變。最初的推薦技術(shù)被用在電子商務網(wǎng)站中,如亞馬遜,淘寶網(wǎng)的購物推薦。隨著Web發(fā)展,推薦技術(shù)被用到新聞,視頻,音樂,問答等各種Web應用中,幫助人們從海量信息中及時獲取所需信息。隨著網(wǎng)絡中推薦應用越來越廣泛,推薦算法的研究也在逐漸深入。學術(shù)界研究最多的是協(xié)同過濾算法,包括基于記憶的方法,如基于用戶的KNN算法,基于物品KNN算法等,基于模型的方法,比如矩陣分解MF算法,SVD++算法,基于社交因素約束的矩陣分解(SocailRegular-FM)算法等。單一模型及其變種的研究很多而且成熟。改進模型的研究仍為今后研究重點。但是,單一的模型算法僅僅能抓住函數(shù)假設空間的部分特征,混合幾種模型來做推薦的研究方向越來越受重視。本課題對以上單個模型和模型混合技術(shù)均做出了研究。本課題的主要工作如下,我們對已有基礎(chǔ)模型做出研究和實現(xiàn),將代碼組合起來最終實現(xiàn)一推薦引擎庫,我們稱為JRSLib庫。課題改進利用輔助信息改進了物品相似度公式。社交因素越來越被推薦系統(tǒng)重視,課題對基于社交因素約束模型做出研究,之后提出了基于社交興趣組約束的模型,通過概率潛語義分析模型(PLSA)學習興趣組,使興趣組內(nèi)的成員的興趣向量盡可能的相似。對模型混合技術(shù),線性回歸和梯度提升決策樹(GBDT)做出研究,分析了混合模型的優(yōu)勢,比較了模型混合后與單一模型推薦效果。課題最后設計和實現(xiàn)了個性化移動新聞推薦原型系統(tǒng),將推薦系統(tǒng)算法在文本推薦領(lǐng)域做出具體應用。
【關(guān)鍵詞】：推薦引擎 相似度 興趣組 混合模型 新聞推薦
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-15
• 1.1 課題背景與意義9-10
• 1.2 國內(nèi)外研究動態(tài)10-13
• 1.3 目前方法存在的問題13
• 1.4 本文主要工作和貢獻13-14
• 1.5 論文的組織結(jié)構(gòu)14-15
• 第2章 推薦系統(tǒng)基礎(chǔ)模型15-27
• 2.1 推薦系統(tǒng)基礎(chǔ)模型理論研究15-20
• 2.1.1 推薦系統(tǒng)模型分類15-16
• 2.1.2 協(xié)同過濾算法16-20
• 2.2 相似度計算方法比較與改進20-22
• 2.2.1 常用相似度函數(shù)20-21
• 2.2.2 改進的相似度方法21-22
• 2.3 本文使用的數(shù)據(jù)集介紹22-23
• 2.3.1 Movielens-100k數(shù)據(jù)集22
• 2.3.2 百度電影評分數(shù)據(jù)22-23
• 2.4 基礎(chǔ)方法在數(shù)據(jù)集上的實驗分析23-26
• 2.4.1 基礎(chǔ)方法庫JRSlib23-24
• 2.4.2 推薦系統(tǒng)評價標準24
• 2.4.3 基礎(chǔ)方法實驗結(jié)果24-26
• 2.5 本章小結(jié)26-27
• 第3章 基于社交因素和隱含興趣組約束的推薦模型27-35
• 3.1 社交網(wǎng)絡因素分析27-28
• 3.2 基于社交關(guān)系約束的推薦模型28-29
• 3.3 基于隱含興趣組約束的推薦模型29-34
• 3.4 本章小結(jié)34-35
• 第4章 混合推薦模型35-44
• 4.1 模型混合基礎(chǔ)理論35-40
• 4.1.1 模型混合方法36-38
• 4.1.2 模型混合的優(yōu)勢38-40
• 4.2 推薦系統(tǒng)模型混合應用40-43
• 4.2.1 混合模型方法的選擇40-41
• 4.2.2 基礎(chǔ)模型選擇與數(shù)據(jù)處理41-43
• 4.3 混合推薦結(jié)果分析43
• 4.4 本章小結(jié)43-44
• 第5章 個性化移動新聞推薦原型系統(tǒng)設計與實現(xiàn)44-60
• 5.1 個性化移動新聞推薦的背景44-45
• 5.1.1 需求分析44
• 5.1.2 問題描述44-45
• 5.2 系統(tǒng)框架流程45-48
• 5.3 系統(tǒng)關(guān)鍵模塊48-54
• 5.3.1 新聞采集模塊48-49
• 5.3.2 新聞特征提取、相似度和自動分類49-51
• 5.3.3 基于點擊的新聞推薦算法模塊51-53
• 5.3.4 推薦列表生成53-54
• 5.4 新聞推薦系統(tǒng)數(shù)據(jù)庫54-55
• 5.5 客戶端接口55-57
• 5.5.1 獲取推薦內(nèi)容列表55-56
• 5.5.2 獲取一篇新聞的具體內(nèi)容56-57
• 5.6 原型系統(tǒng)推薦效果分析57-59
• 5.7 本章小結(jié)59-60
• 第6章 總結(jié)與展望60-62
• 6.1 總結(jié)60
• 6.2 展望60-62
• 參考文獻62-64
• 攻讀碩士學位期間發(fā)表的論文及其它成果64-65
• 致謝65-66
• 作者簡介66

【二級參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 蘇玉召;牛曉太;趙妍;;提高個性化推薦精度的定制Web日志方法[J];圖書與情報;2011年05期

2 黃永文;;關(guān)聯(lián)數(shù)據(jù)在圖書館中的應用研究綜述[J];現(xiàn)代圖書情報技術(shù);2010年05期

3 李濤;王建東;葉飛躍;馮新宇;張有東;;一種基于用戶聚類的協(xié)同過濾推薦算法[J];系統(tǒng)工程與電子技術(shù);2007年07期

  本文關(guān)鍵詞：基于混合模型的推薦系統(tǒng)的研究，，由筆耕文化傳播整理發(fā)布。

本文編號：275455