本文關鍵詞：協(xié)同過濾推薦技術的研究與改進，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網(wǎng)技術的飛速發(fā)展給人們帶來了極大的便利，尤其是Web2.0技術出現(xiàn)以來，人們在網(wǎng)絡上不斷創(chuàng)造大量的信息。然而，過量的信息使得用戶難以迅速有效地找到自己感興趣的信息，導致“信息過載”問題。目前，搜索引擎和個性化推薦技術是解決這一問題的有效途徑。然而一般的搜索引擎只能在用戶需求明確的情況下提供非個性化的信息過濾，個性化推薦技術的出現(xiàn)正是彌補搜索引擎的這一不足之處。 作為目前推薦系統(tǒng)中應用最廣泛、最成功的推薦技術之一，協(xié)同過濾技術得到了研究者的廣泛關注。本文從相似度計算和評分預測兩個角度對傳統(tǒng)的協(xié)同過濾推薦技術進行改進。 相似度計算是協(xié)同過濾推薦技術的核心。目前常用的相似度計算方法主要有皮爾森相關系數(shù)、余弦相似度。本文首先實驗分析了傳統(tǒng)相似性計算方法的特點與不足，在確定用戶間相似性時僅考慮公共評分數(shù)值，導致相似性準確度不高。由此提出從非公共評分數(shù)值角度來度量傳統(tǒng)相似度可靠程度的置信度函數(shù)。新的相似度定義為傳統(tǒng)相似度和置信度函數(shù)的乘積，，因此新相似度計算方法結合了公共評分的數(shù)值信息和非數(shù)值部分的信息。 評分預測是推薦系統(tǒng)的重要任務。本文分析了傳統(tǒng)評分預測方法的不足，并提出了基于用戶興趣的評分預測方法。新預測方法在預測評分時考慮了用戶對不同類型項目的評分偏好，從而使預測得到的評分更加準確。 本文設計了一系列實驗驗證上述兩種改進方法的有效性，結果表明：本文提出的相似度計算和評分預測方法能得到更好的預測精確度和覆蓋率。
【關鍵詞】：個性化推薦 協(xié)同過濾 置信度函數(shù) 用戶評分偏好
【學位授予單位】：上海大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要6-7
• ABSTRACT7-10
• 第一章 緒論10-16
• 1.1 選題背景和意義10-12
• 1.2 國內外研究歷史與現(xiàn)狀12-14
• 1.3 課題的研究內容14-15
• 1.4 論文的組織結構15-16
• 第二章 個性化推薦系統(tǒng)16-31
• 2.1 推薦系統(tǒng)概述16-17
• 2.2 個性化推薦算法17-23
• 2.2.1 基于內容的推薦18-19
• 2.2.2 協(xié)同過濾推薦19-22
• 2.2.2.1 基于內存的協(xié)同過濾推薦19-21
• 2.2.2.2 基于模型的協(xié)同過濾推薦21-22
• 2.2.3 混合方法22-23
• 2.3 推薦算法的評價23-28
• 2.3.1 推薦算法實驗數(shù)據(jù)集24
• 2.3.2 推薦算法的評價指標24-28
• 2.3.2.1 預測準確性24-26
• 2.3.2.2 推薦準確性26-27
• 2.3.2.3 其他27-28
• 2.4 推薦系統(tǒng)面臨的問題28-30
• 2.4.1 數(shù)據(jù)稀疏性問題28-29
• 2.4.2 冷啟動問題29-30
• 2.4.3 可擴展性問題30
• 2.5 本章小結30-31
• 第三章 結合置信度函數(shù)的協(xié)同過濾推薦方法31-53
• 3.1 傳統(tǒng)相似度計算方法31-32
• 3.2 傳統(tǒng)相似度的問題32-35
• 3.3 置信度函數(shù)及其推導35-39
• 3.4 算法流程39-40
• 3.5 實驗與分析40-52
• 3.5.1 實驗一、參數(shù)α對實驗效果的影響40-43
• 3.5.2 實驗二、參數(shù)θ對實驗效果的影響43-45
• 3.5.3 實驗三、參數(shù)λ對實驗效果的影響45-48
• 3.5.4 實驗四、與其他相似度計算方法的比較48-52
• 3.6 本章小結52-53
• 第四章 基于用戶興趣的評分預測方法53-62
• 4.1 引言53
• 4.2 用戶興趣53-55
• 4.3 基于用戶興趣的評分預測方法55-56
• 4.4 實驗與分析56-59
• 4.4.1 實驗一、閾值θ的確定56-57
• 4.4.2 實驗二、各評分預測方法的比較57-59
• 4.5 本章小結59-62
• 第五章 總結與展望62-64
• 5.1 總結62-63
• 5.2 展望63-64
• 參考文獻64-69
• 攻讀碩士學位期間完成的工作69-70
• 致謝70

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李穎;李永麗;蔡觀洋;;基于雙重閾值近鄰查找的協(xié)同過濾算法[J];吉林大學學報(信息科學版);2013年06期

2 蔣盛益;楊博泓;吳美玲;;基于快速社區(qū)檢測的協(xié)同過濾推薦算法[J];廣西大學學報(自然科學版);2013年06期

3 陶維成;王婷婷;姚琪;;基于Mahout的推薦系統(tǒng)構建[J];重慶科技學院學報(自然科學版);2014年02期

4 印桂生;張亞楠;董宇欣;韓啟龍;;基于受限信任關系和概率分解矩陣的推薦[J];電子學報;2014年05期

5 張磊;;基于遺忘曲線的協(xié)同過濾研究[J];電腦知識與技術;2014年12期

6 王越;程昌正;;協(xié)同過濾算法在電影推薦中的應用[J];四川兵工學報;2014年05期

7 胡祥;王文東;龔向陽;王柏;闕喜戎;;基于流形排序的社會化推薦方法[J];北京郵電大學學報;2014年03期

8 陶彩霞;袁海;陳康;馬安華;;靈活適應不同業(yè)務的個性化推薦系統(tǒng)研究[J];電信科學;2014年08期

9 孫曉晨;徐雅斌;;位置社交網(wǎng)絡的潛在好友推薦模型研究[J];電信科學;2014年10期

10 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(xiàn)代化;2013年09期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 王國霞;劉賀平;李擎;;二部圖影射及其在推薦系統(tǒng)中的應用[A];第25屆中國控制與決策會議論文集[C];2013年

2 董媛香;肖智;王現(xiàn)寧;;基于軟集合和HeatS+ProbS的混合輸入推薦算法研究[A];2013中國信息經(jīng)濟學會學術年會暨博士生論壇論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 馬琳;面向移動互聯(lián)網(wǎng)的開放服務技術架構及若干關鍵技術研究[D];北京郵電大學;2013年

2 王慧賢;社交網(wǎng)絡媒體平臺用戶參與激勵機制研究[D];北京郵電大學;2013年

3 李聰;協(xié)同過濾推薦系統(tǒng)托攻擊防御技術研究[D];國防科學技術大學;2012年

4 李璐;基于MP2P的內容分發(fā)機制研究[D];哈爾濱工程大學;2013年

5 冷亞軍;協(xié)同過濾技術及其在推薦系統(tǒng)中的應用研究[D];合肥工業(yè)大學;2013年

6 馮玉翔;大規(guī)模分布式環(huán)境下動態(tài)信任管理機制的研究[D];華南理工大學;2013年

7 孔維梁;協(xié)同過濾推薦系統(tǒng)關鍵問題研究[D];華中師范大學;2013年

8 梁錫軍;稀疏優(yōu)化在機器學習中的若干應用[D];大連理工大學;2013年

9 吉祥;面向產品綠色設計的知識建模及應用技術研究[D];浙江大學;2013年

10 廉捷;基于用戶特征的社交網(wǎng)絡數(shù)據(jù)挖掘研究[D];北京交通大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 涂金龍;基于tag的個性化推薦技術研究[D];重慶大學;2013年

2 陳顯勇;融合用戶屬性和興趣的最大熵推薦算法研究[D];重慶大學;2013年

3 黃曉鳳;并行協(xié)同過濾推薦模型的研究[D];重慶大學;2013年

4 汪毅峰;基于數(shù)據(jù)挖掘的個性化推薦系統(tǒng)的研究與設計[D];南昌大學;2013年

5 王強;基于協(xié)同過濾算法的電子商務推薦系統(tǒng)研究[D];太原理工大學;2013年

6 陳永光;基于OPAC的高校圖書館個性化圖書推薦算法研究[D];南京理工大學;2013年

7 徐莉;基于數(shù)據(jù)挖掘技術的電子商務推薦系統(tǒng)的研究[D];北京郵電大學;2013年

8 代金龍;協(xié)同過濾算法中數(shù)據(jù)稀疏性問題研究[D];重慶大學;2013年

9 蔡孟松;基于社交用戶標簽的混合個性化推薦研究[D];重慶大學;2013年

10 孫歆;基于協(xié)同過濾技術的SCORM數(shù)字化教學資源庫研究[D];浙江工業(yè)大學;2013年

  本文關鍵詞：協(xié)同過濾推薦技術的研究與改進，由筆耕文化傳播整理發(fā)布。

本文編號：359879