本文關(guān)鍵詞：基于二分圖的聚類推薦算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術(shù)的發(fā)展和互聯(lián)網(wǎng)規(guī)模的不斷擴大，信息過載的問題日益凸顯。門戶網(wǎng)站和搜索引擎的出現(xiàn)在一定程度上緩解了這個問題，但這些工具所返回的信息都是大眾化的，無法滿足用戶的個性化需求。在這個背景下，個性化的推薦系統(tǒng)就應(yīng)運而生了。和搜索引擎一樣，推薦系統(tǒng)也是一種信息過濾的工具。它能根據(jù)用戶的背景信息和特定行為，通過推薦算法對其做個性化推薦。不同用戶所得到的結(jié)果均是與自身背景和行為比較相關(guān)的，從而有效的滿足了用戶的個性化需求。 如今推薦系統(tǒng)已被廣泛應(yīng)用于各個領(lǐng)域之中，其中應(yīng)用的最廣泛的是協(xié)同過濾推薦系統(tǒng)。但其仍存在著數(shù)據(jù)稀疏、“冷啟動”、算法可擴展性差等問題。近年來有一些學(xué)者把聚類算法引入推薦系統(tǒng)之中，通過聚類有效的減小了數(shù)據(jù)的規(guī)模，，提高了算法的可擴展性和推薦精確度。但其只是簡單的組合了聚類算法和協(xié)同過濾算法，沒有深入的挖掘聚類與推薦之間的關(guān)系。 針對傳統(tǒng)聚類推薦算法的不足，本文主要做了以下的研究工作： (1)本文結(jié)合了二分圖映射和用戶評分信息，提出了一種帶權(quán)的映射方法。通過把用戶-項目二分圖映射到只包含項目頂點的圖中，在壓縮二分圖的同時減少了映射過程中信息的損失，改進(jìn)了相似度矩陣的計算公式。 (2)結(jié)合了聚類算法，對項目做聚類，挖掘出內(nèi)在相似的項目并減小項目空間。傳統(tǒng)的項目聚類算法是從項目的角度出發(fā)，選擇與項目相關(guān)的項目類來達(dá)到縮小項目空間的效果。本文則從用戶的角度出發(fā)，縮小項目空間并減少用戶興趣的漂移，從而提高了準(zhǔn)確率。 (3)本文充分考慮了用戶的興趣偏好信息，深入挖掘用戶對每個項目類的興趣度以及物品在類內(nèi)的權(quán)重關(guān)系，提出了一種新的推薦權(quán)值的計算方法。
【關(guān)鍵詞】：推薦算法 項目聚類 二分圖映射 用戶興趣
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-8
• 目錄8-10
• 第一章 緒論10-15
• 1.1 本文研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 國外研究現(xiàn)狀11-12
• 1.2.2 國內(nèi)研究現(xiàn)狀12-13
• 1.3 本文的主要工作13-14
• 1.4 本文的組織架構(gòu)14-15
• 第二章 推薦算法及其相關(guān)理論15-34
• 2.1 推薦算法概述15-18
• 2.2 基于協(xié)同過濾的推薦算法18-24
• 2.2.1 基于用戶的協(xié)同過濾推薦18-21
• 2.2.2 基于項目的協(xié)同過濾推薦21-24
• 2.3 基于聚類的推薦算法24-28
• 2.3.1 聚類算法概述24-26
• 2.3.2 基于聚類的推薦算法26-28
• 2.4 基于圖的推薦算法28-33
• 2.4.1 評分?jǐn)?shù)據(jù)的二分圖表示及映射28-30
• 2.4.2 ItemRank 算法30-33
• 2.5 本章小結(jié)33-34
• 第三章 基于二分圖的項目聚類推薦算法34-46
• 3.1 項目相似度計算34-38
• 3.2 推薦權(quán)值計算38-43
• 3.2.1 用戶對項目類的偏好度38-41
• 3.2.2 項目的類內(nèi)權(quán)重及項目的推薦權(quán)值41-43
• 3.3 基于二分圖的項目聚類推薦算法43-45
• 3.3.1 算法思想43
• 3.3.2 算法描述43-45
• 3.4 本章小結(jié)45-46
• 第四章 實驗設(shè)計與結(jié)果分析46-60
• 4.1 數(shù)據(jù)集介紹46-47
• 4.2 評測指標(biāo)介紹與選擇47-51
• 4.3 實驗環(huán)境與說明51-52
• 4.4 實驗設(shè)計與分析52-59
• 4.4.1 項目空間閾值調(diào)優(yōu)52-55
• 4.4.2 聚類數(shù)目的影響55-57
• 4.4.3 不同算法對比評測57-59
• 4.5 本章小結(jié)59-60
• 第五章 總結(jié)與展望60-62
• 5.1 本文總結(jié)60-61
• 5.2 下一步工作61-62
• 參考文獻(xiàn)62-67
• 攻讀博士/碩士學(xué)位期間取得的研究成果67-68
• 致謝68-69
• 附件69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J];計算機研究與發(fā)展;2007年02期

2 張新猛;蔣盛益;;基于加權(quán)二部圖的個性化推薦算法[J];計算機應(yīng)用;2012年03期

3 潘冉;姜麗紅;;基于經(jīng)濟學(xué)模型的推薦系統(tǒng)的研究[J];計算機應(yīng)用與軟件;2008年03期

4 王茜;段雙艷;;一種改進(jìn)的基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法[J];計算機應(yīng)用研究;2013年03期

5 鄧愛林,左子葉,朱揚勇;基于項目聚類的協(xié)同過濾推薦算法[J];小型微型計算機系統(tǒng);2004年09期

  本文關(guān)鍵詞：基于二分圖的聚類推薦算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：349047