本文關(guān)鍵詞：信息推薦模型及其應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的迅速發(fā)展,為人們的生活帶來(lái)了翻天覆地的變化,人們已經(jīng)進(jìn)入了一個(gè)無(wú)所不有的信息時(shí)代。通過(guò)互聯(lián)網(wǎng)人們可以獲得大量的信息。但是,由于信息的過(guò)量,也帶了一些負(fù)面的影響。雖然搜索引擎技術(shù)滿足了人們的一些需要,但它需要用戶主動(dòng)的去搜索信息,當(dāng)一個(gè)用戶試圖用搜索引擎搜索信息時(shí),傳統(tǒng)的信息檢索技術(shù)就會(huì)返回給用戶包含查詢關(guān)鍵字的網(wǎng)頁(yè),返回的結(jié)果頁(yè)面可能會(huì)有很多不相關(guān)的內(nèi)容,也會(huì)丟失部分重要的關(guān)鍵頁(yè)面。人們?nèi)绾螐男畔⒌暮Ｑ笾姓业椒献约阂蟮挠杏玫男畔?并實(shí)現(xiàn)智能化的推薦已經(jīng)成為了研究的關(guān)鍵。于是,信息推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)的目的就是在信息消費(fèi)者和信息生產(chǎn)者之間搭建一個(gè)橋梁,信息消費(fèi)者可以通過(guò)信息推薦技術(shù)發(fā)現(xiàn)對(duì)自己有用的信息,信息生產(chǎn)者通過(guò)分析信息消費(fèi)者的數(shù)據(jù)對(duì)消費(fèi)者展現(xiàn)其感興趣的信息。個(gè)性化信息推薦和搜索引擎是不一樣的,搜索引擎是一種被動(dòng)的推薦,而個(gè)性化信息推薦需要研究用戶的信息特征,是一種主動(dòng)的推薦。信息推薦系統(tǒng)的核心是推薦算法。本論文首先介紹了現(xiàn)有的各個(gè)推薦算法的實(shí)現(xiàn)原理,包括基于人口統(tǒng)計(jì)學(xué)的推薦算法、基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法和混合推薦算法,分析了它們的優(yōu)點(diǎn)和不足。詳細(xì)介紹了Slop One算法,Slop One算法的本質(zhì)是協(xié)同過(guò)濾算法的一種,該算法因?yàn)樗菀讓?shí)現(xiàn)、易于理解而受到廣泛的關(guān)注。SlopOne算法是通過(guò)計(jì)算評(píng)分項(xiàng)目間的差值來(lái)實(shí)現(xiàn)推薦的,但是由于該算法只考慮了評(píng)分項(xiàng)目之間的關(guān)系,沒有把用戶之間的相似性考慮進(jìn)去,從而限制了該算法推薦的準(zhǔn)確度。所以本論文在原有的加權(quán)Slop One算法上把用戶的相似性考慮進(jìn)去,把改進(jìn)的算法稱為融合用戶因素的Slop One算法。本論文在MovieLens數(shù)據(jù)集上對(duì)改進(jìn)的融合用戶因素的Slop One算法和傳統(tǒng)的Slop One算法進(jìn)行了對(duì)比試驗(yàn),實(shí)驗(yàn)結(jié)果表明,融合用戶因素的Slop One算法的平均絕對(duì)誤差的值比傳統(tǒng)的Slop One算法的值小,證明了融合用戶因素的Slop On e算法的有效性和可行性。此外,在文章的最后,實(shí)現(xiàn)了一個(gè)簡(jiǎn)易的電影推薦系統(tǒng)模型,實(shí)現(xiàn)了其核心的推薦功能。
【關(guān)鍵詞】：信息過(guò)量 信息推薦 推薦算法 Slop One算法
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-14
• 1.1 研究背景與意義10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-12
• 1.3 論文主要研究?jī)?nèi)容與章節(jié)安排12-14
• 1.3.1 論文的主要研究?jī)?nèi)容12-13
• 1.3.2 論文的章節(jié)安排13-14
• 第2章 推薦技術(shù)的研究與分析14-22
• 2.1 個(gè)性化信息推薦系統(tǒng)的簡(jiǎn)介14
• 2.2 推薦算法分析14-19
• 2.2.1 基于人口統(tǒng)計(jì)學(xué)的推薦算法14-15
• 2.2.2 基于內(nèi)容的推薦算法15-16
• 2.2.3 協(xié)同過(guò)濾推薦算法16-18
• 2.2.4 混合推薦算法18-19
• 2.3 Slop One推薦算法19-21
• 2.3.1 Slop One算法分析19-20
• 2.3.2 加權(quán)Slop One算法分析20-21
• 2.3.3 Slop One算法的優(yōu)點(diǎn)與不足21
• 2.4 本章小結(jié)21-22
• 第3章 融合用戶因素的Slop One算法22-30
• 3.1 引言22
• 3.2 相似度測(cè)量方法的研究與分析22-26
• 3.2.1 皮爾森相關(guān)系數(shù)分析22-23
• 3.2.2 歐幾里德距離相似度分析23-24
• 3.2.3 余弦相似度24-25
• 3.2.4 改進(jìn)的余弦相似度分析25-26
• 3.2.5 斯皮爾曼等級(jí)相關(guān)分析26
• 3.3 融合用戶因素的Slop One算法26-29
• 3.3.1 融合用戶因素的Slop One算法分析26-27
• 3.3.2 融合用戶因素的Slop One算法的實(shí)現(xiàn)過(guò)程27-29
• 3.4 融合用戶因素的Slop One算法的復(fù)雜性分析29
• 3.5 本章小結(jié)29-30
• 第4章 實(shí)驗(yàn)與實(shí)驗(yàn)結(jié)果分析30-36
• 4.1 實(shí)驗(yàn)數(shù)據(jù)集30-31
• 4.2 實(shí)驗(yàn)度量標(biāo)準(zhǔn)31
• 4.3 實(shí)驗(yàn)環(huán)境31
• 4.4 實(shí)驗(yàn)?zāi)康?/span>31-32
• 4.5 實(shí)驗(yàn)結(jié)果及分析32-35
• 4.6 本章小結(jié)35-36
• 第5章 電影推薦模型的實(shí)現(xiàn)36-43
• 5.1 引言36
• 5.2 電影推薦模型的系統(tǒng)設(shè)計(jì)36-39
• 5.2.1 系統(tǒng)的主要功能36-38
• 5.2.2 系統(tǒng)的總體框架38-39
• 5.3 電影推薦模型的運(yùn)行環(huán)境及其配置39
• 5.4 數(shù)據(jù)庫(kù)表設(shè)計(jì)39-40
• 5.5 實(shí)現(xiàn)界面40-42
• 5.6 本章小結(jié)42-43
• 第6章 結(jié)論與展望43-45
• 6.1 論文總結(jié)43
• 6.2 論文展望43-45
• 參考文獻(xiàn)45-48
• 致謝48

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 郭艷紅;鄧貴仕;;協(xié)同過(guò)濾系統(tǒng)項(xiàng)目冷啟動(dòng)的混合推薦算法[J];計(jì)算機(jī)工程;2008年23期

2 劉聰;張璇;王黎霞;趙倩;楊帥;;改進(jìn)的基于用戶數(shù)據(jù)的協(xié)同過(guò)濾推薦方法[J];計(jì)算機(jī)應(yīng)用與軟件;2014年08期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 周濤;基于用戶情境的協(xié)同推薦算法研究與應(yīng)用[D];重慶大學(xué);2010年

2 張?jiān)氯?基于混合推薦的電影推薦系統(tǒng)的研究與實(shí)現(xiàn)[D];安徽大學(xué);2013年

  本文關(guān)鍵詞：信息推薦模型及其應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：373885