最近一些年來互聯(lián)網(wǎng)行業(yè)在不斷地擴張,大批量的數(shù)據(jù)無時無刻被互聯(lián)網(wǎng)這個大機器生產(chǎn)出來。對于用戶來說大量無價值和有價值的信息全部混雜在海量數(shù)據(jù)當中,使用一般的收集信息的方式把對用戶有價值的信息從巨量數(shù)據(jù)中快速提取出來是相當有難度的。推薦系統(tǒng)是解決上述問題的技術手段之一,也是最近的研究熱點。目前比較流行的推薦算法有基于內(nèi)容的推薦、基于模型的推薦、協(xié)同過濾等。針對目前實際應用的推薦系統(tǒng)存在的冷啟動、稀疏性和實時性等問題,本文選取基于聚類的協(xié)同過濾算法作為主要研究對象,并把譜聚類、用戶偏好矩陣與混合蛙跳算法融合進來,提出了兩種改進的協(xié)同過濾推薦算法。本文的具體工作如下:1.分析了幾種經(jīng)典聚類算法,由于譜聚類具有易于實現(xiàn)、性能優(yōu)越、對稀疏數(shù)據(jù)聚類效果更理想等優(yōu)點,因此選取了譜聚類作為主要研究的聚類算法。在標準譜聚類的基礎上,本文改進了一種最大距離積的譜聚類算法MDP-SC算法,克服了譜聚類初始簇心不穩(wěn)定的問題。在MDP-SC算法的基礎上,加入了用戶興趣偏好矩陣與基于物品相似度的Weighted Slope One預填充算法,從而形成本文的第一個推薦算法PUM-CF算法。最后,使用UCI標準數(shù)據(jù)集對... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 主要面臨的挑戰(zhàn)
    1.3 本文研究目標與內(nèi)容
    1.4 本文的組織結構
第二章 相關技術分析及整體設計
    2.1 推薦系統(tǒng)概述
        2.1.1 基于內(nèi)存的協(xié)同過濾
        2.1.2 基于聚類的協(xié)同過濾算法
        2.1.3 推薦算法的分析與選擇
    2.2 推薦算法常用的數(shù)據(jù)集
    2.3 推薦算法評價方法
    2.4 傳統(tǒng)聚類算法概述
        2.4.1 常見的聚類算法
        2.4.2 聚類算法的分析與選擇
    2.5 本章小結
第三章 基于改進譜聚類的協(xié)同過濾算法研究
    3.1 譜聚類算法
        3.1.1 譜聚類的相似性度量
        3.1.2 圖的劃分準則
        3.1.3 圖的矩陣表示
        3.1.4 譜聚類的基本步驟
        3.1.5 譜聚類的典型算法
    3.2 基于改進譜聚類的協(xié)同過濾算法（PUM-CF）
        3.2.1 構建用戶偏好矩陣
        3.2.2 基于物品相似度的WeightedSlopeOne預填充算法研究
        3.2.3 基于最大距離積的改進譜聚類算法研究（MDP-SC）
        3.2.4 完成推薦及算法總執(zhí)行過程
    3.3 本章算法測試分析
        3.3.1 MDP-SC算法實驗與分析
        3.3.2 PUM-CF算法實驗與分析
    3.4 本章小結
第四章 基于改進譜聚類與混合蛙跳的協(xié)同過濾算法研究
    4.1 混合蛙跳算法概述
        4.1.1 算法的行為描述
        4.1.2 算法的數(shù)學模型
        4.1.3 算法的參數(shù)設置
        4.1.4 算法的詳細流程
    4.2 改進混合蛙跳算法研究（NVF-SFLA）
        4.2.1 基于正態(tài)分布的變異
        4.2.2 劣汰變異機制
        4.2.3 優(yōu)勝變異機制
        4.2.4 改進混合蛙跳算法的流程
    4.3 基于改進譜聚類與混合蛙跳的協(xié)同過濾算法（PUMS-CF）
        4.3.1 基于改進混合蛙跳算法求解最近鄰集
        4.3.2 基于改進譜聚類與混合蛙跳的協(xié)同過濾算法總流程
    4.4 本章算法測試分析
        4.4.1 NVF-SFLA算法實驗結果與分析
        4.4.2 PUMS-CF算法實驗與分析
    4.5 本章小結
第五章 個性化電影推薦系統(tǒng)的設計與實現(xiàn)
    5.1 系統(tǒng)功能需求分析
    5.2 個性化電影推薦系統(tǒng)的設計
        5.2.1 系統(tǒng)整體架構設計
        5.2.2 系統(tǒng)功能及業(yè)務邏輯設計
        5.2.3 系統(tǒng)的數(shù)據(jù)庫設計
    5.3 個性化電影推薦系統(tǒng)的實現(xiàn)
        5.3.1 系統(tǒng)數(shù)據(jù)來源
        5.3.2 系統(tǒng)功能模塊實現(xiàn)
        5.3.3 推薦模塊實現(xiàn)
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
攻讀碩士學位期間取得的研究成果


【參考文獻】：
期刊論文
[1]一種融合聚類與用戶興趣偏好的協(xié)同過濾推薦算法[J]. 何明,孫望,肖潤,劉偉世.  計算機科學. 2017(S2)
[2]基于密度與最小距離的K-means算法初始中心方法[J]. 戚后林,顧磊.  計算機技術與發(fā)展. 2017(09)
[3]基于譜聚類與多因子融合的協(xié)同過濾推薦算法[J]. 李倩,李詩瑾,徐桂瓊.  計算機應用研究. 2017(10)
[4]正態(tài)變異優(yōu)勝劣汰的混合蛙跳算法[J]. 張明明,戴月明,吳定會.  計算機應用. 2016(06)
[5]基于混合蛙跳聯(lián)合聚類的協(xié)同過濾算法[J]. 喻金平,張勇,廖列法,梅宏標.  微電子學與計算機. 2016(01)
[6]求解大規(guī)模譜聚類的近似加權核k-means算法[J]. 賈洪杰,丁世飛,史忠植.  軟件學報. 2015(11)
[7]基于最小距離乘積K-means算法的改進[J]. 賀嘉楠,高云龍,王宏杰,朱琪,董立巖.  吉林大學學報(信息科學版). 2015(05)
[8]一種保持種群多樣性的改進混洗蛙跳算法[J]. 張強,劉麗杰,郭昊.  計算機與數(shù)字工程. 2015(07)
[9]大數(shù)據(jù)處理中混合型聚類算法的研究與實現(xiàn)[J]. 陳曉,趙晶玲.  信息網(wǎng)絡安全. 2015(04)
[10]Applying memetic algorithm-based clustering to recommender system with high sparsity problem[J]. MARUNG Ukrit,THEERA-UMPON Nipon,AUEPHANWIRIYAKUL Sansanee.  Journal of Central South University. 2014(09)

博士論文
[1]混合蛙跳算法的改進及在旋轉機械故障診斷中的應用研究[D]. 趙轉哲.東南大學 2016

碩士論文
[1]基于Spark平臺的實時流計算推薦系統(tǒng)的研究與實現(xiàn)[D]. 張賢德.江蘇大學 2016
[2]混合蛙跳算法的改進與應用研究[D]. 張勇.江西理工大學 2016
[3]基于聚類的協(xié)同過濾推薦算法研究[D]. 陳傳瑜.廣東工業(yè)大學 2016
[4]結合情感傾向分析的個性化推薦技術研究[D]. 金益斌.北京工業(yè)大學 2015
[5]基于改進的混合蛙跳算法的Web用戶聚類研究[D]. 楊登武.西南大學 2015
[6]基于混合推薦的電影推薦系統(tǒng)的研究與實現(xiàn)[D]. 張月蓉.安徽大學 2013
[7]譜聚類算法研究[D]. 王莉莉.河南大學 2012
[8]改進用戶模型的協(xié)同過濾推薦算法[D]. 孫敏.重慶大學 2012
[9]Netflix數(shù)據(jù)集上的協(xié)同過濾算法[D]. 王元濤.清華大學 2009
[10]應用軟件開發(fā)中的模式應用技術研究[D]. 許寧.中國海洋大學 2006



本文編號：3156044