本文關鍵詞：基于特征偏好信息的混合協(xié)同過濾算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網成為人類發(fā)展必不可少的工具。通過互聯(lián)網，人們可以獲取重要信息，可以解決日常所需要的衣食住行。但是互聯(lián)網信息過載問題對人們的影響也越來越嚴重。目前，解決信息過載問題的方法主要有門戶網站、分類目錄、搜索引擎以及推薦系統(tǒng)，因為推薦系統(tǒng)能夠有效解決信息過載問題而日益受到人們的關注。 協(xié)同過濾推薦算法是在實際推薦系統(tǒng)中應用范圍最為廣泛的推薦算法。但是數據稀疏、冷啟動問題、擴展性問題和安全問題一直阻礙協(xié)同過濾算法的進一步推廣應用。與此同時，群體特征信息（如用戶特征信息和項目特征信息）可以代表某類個體的興趣特征，對于解決推薦算法中的數據稀疏和冷啟動問題具有有效的作用。 本文首先介紹了推薦系統(tǒng)的研究現狀，分析和總結了當前已有的一些協(xié)同過濾推薦算法的優(yōu)點和不足。同時本文還對不同的推薦算法類別進行了闡述，介紹了推薦算法在不同維度的類別劃分，分析和總結了不同類別的推薦算法的應用場景。在相關研究成果的基礎上，針對傳統(tǒng)協(xié)同過濾推薦算法推薦精度和數據稀疏上面臨的問題，提出了一些有效的解決方法。 本文的主要工作內容包括如下兩個方面。 （1）針對群體特征信息，本文對用戶和項目的特征信息進行提取，利用特征信息構建用戶-項目特征評分矩陣和用戶特征-項目評分矩陣并進行特征矩陣優(yōu)化。通過提取用戶的某些特征，如年齡，性別及常住地區(qū)等，項目產品的某些特征，如所屬類型、上架時間等，利用這些特征信息分別構造相對應的用戶特征-項目評分矩陣和用戶-項目特征評分矩陣。同時，為了提高推薦精度，本文采用隱語義模型LFM對用戶特征-項目評分矩陣和用戶-項目特征評分矩陣進行矩陣優(yōu)化，之所以使用LFM模型優(yōu)化而不是使用SVD等模型優(yōu)化的原因是LFM的訓練效果最好，適用于實際情況。 （2）針對協(xié)同過濾推薦算法中計算用戶相似度和項目相似度中面臨的相似精度不高以及計算時間空間開銷過大等問題，本文使用用戶特征-項目評分矩陣和用戶-項目特征評分矩陣分別計算項目之間的相似度和用戶之間的相似度。同時使用兩種相似度融合方式（一種是簡單的線性融合方式，，另一種是矩陣相乘的融合方式）與傳統(tǒng)利用用戶-項目評分矩陣計算的相似度進行融合，并得到新的相似度矩陣。最后利用經典協(xié)同過濾評分預測公式進行評分預測。經實驗檢驗，本文提出的基于特征偏好信息的混合推薦算法對評分預測精度的提高具有積極作用。
【關鍵詞】：特征偏好 相似度 協(xié)同過濾 混合推薦算法
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 課題的研究背景11-13
• 1.2 推薦系統(tǒng)的研究現狀及難點13-15
• 1.2.1 推薦系統(tǒng)研究現狀13-14
• 1.2.2 推薦系統(tǒng)的難點14-15
• 1.3 本文的研究內容15-16
• 1.4 本文的組織結構16-17
• 第2章 推薦算法及相關技術17-29
• 2.1 按選取角度劃分17-21
• 2.1.1 基于內容的推薦算法17-19
• 2.1.2 基于協(xié)同過濾的推薦算法19-21
• 2.1.3 混合推薦算法21
• 2.2 按實現技術劃分21-25
• 2.2.1 基于內存的協(xié)同過濾算法23
• 2.2.2 基于模型的協(xié)同過濾算法23-25
• 2.3 按數據類型劃分25-28
• 2.3.1 利用用戶行為數據的推薦算法25-26
• 2.3.2 利用用戶標簽數據的推薦算法26-27
• 2.3.3 利用上下文信息的推薦算法27
• 2.3.4 利用社交網絡數據的推薦算法27-28
• 2.4 本章小結28-29
• 第3章 算法原理29-41
• 3.1 改進的協(xié)同過濾推薦算法29-38
• 3.1.1 算法基本思想29-30
• 3.1.2 基于用戶的改進協(xié)同過濾推薦算法30-35
• 3.1.3 基于項目的改進協(xié)同過濾推薦算法35-38
• 3.2 特征的選取38-39
• 3.2.1 用戶特征的提取38-39
• 3.2.2 項目特征的提取39
• 3.3 結合偏好特征的評分預測39-40
• 3.4 本章小結40-41
• 第4章 算法實驗41-50
• 4.1 實驗數據集41-42
• 4.2 評估指標42-44
• 4.3 實驗設計方案及實驗結果分析44-49
• 4.4 實驗結論49
• 4.5 本章小結49-50
• 第5章 總結與展望50-52
• 5.1 本文總結50
• 5.2 今后工作50-52
• 參考文獻52-57
• 作者簡介及在學期間所取得的科研成果57-58
• 致謝58

【相似文獻】

中國期刊全文數據庫 前10條

1 張付志;張啟鳳;;融合多系統(tǒng)用戶信息的協(xié)同過濾算法[J];計算機工程;2009年21期

2 周麗娟;徐明升;張研研;張璋;;基于協(xié)同過濾的課程推薦模型[J];計算機應用研究;2010年04期

3 劉淇;陳恩紅;;結合二部圖投影與排序的協(xié)同過濾[J];小型微型計算機系統(tǒng);2010年05期

4 董全德;;基于雙信息源的協(xié)同過濾算法研究[J];合肥工業(yè)大學學報(自然科學版);2010年07期

5 李聰;;電子商務協(xié)同過濾可擴展性研究綜述[J];現代圖書情報技術;2010年11期

6 傅鶴崗;李冉;;基于用戶實時反饋的協(xié)同過濾算法[J];計算機應用;2011年07期

7 辛勤芳;;基于項目聚類的協(xié)同過濾算法研究[J];赤峰學院學報(自然科學版);2011年09期

8 楊君;汪會玲;艾丹祥;;一種基于情景的多維協(xié)同過濾新方法研究[J];圖書情報工作;2011年21期

9 王宗武;;基于信任用戶聯(lián)合聚類的協(xié)同過濾算法[J];計算機與現代化;2013年09期

10 杜永萍;黃亮;何明;;融合信任計算的協(xié)同過濾推薦方法[J];模式識別與人工智能;2014年05期

中國重要會議論文全文數據庫 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數據庫學術會議論文集（技術報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數據庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數據庫學術會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數據庫學術會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數據庫學術會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數據庫學術會議論文集A輯一[C];2010年

中國博士學位論文全文數據庫 前10條

1 李聰;電子商務推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學;2009年

2 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

3 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學;2011年

4 薛福亮;電子商務協(xié)同過濾推薦質量影響因素及其改進機制研究[D];天津大學;2012年

5 高e

本文編號：280279