本文關(guān)鍵詞：基于協(xié)同過濾的評分預(yù)測推薦算法研究

  更多相關(guān)文章： 推薦系統(tǒng) 協(xié)同過濾 矩陣分解 受限玻爾茲曼機(jī)

【摘要】：web2.0帶領(lǐng)互聯(lián)網(wǎng)走進(jìn)了一個(gè)新時(shí)代,用戶是互聯(lián)網(wǎng)的核心,生產(chǎn)數(shù)據(jù)的同時(shí)也在消費(fèi)數(shù)據(jù)�；ヂ�(lián)網(wǎng)的普及和互聯(lián)網(wǎng)用戶數(shù)量的迅猛增長使得互聯(lián)網(wǎng)上的信息呈現(xiàn)爆炸式的增長,帶來了“信息過載”的問題。目前解決信息過載問題有兩種辦法:信息檢索技術(shù)和信息過濾技術(shù)�；谛畔z索技術(shù)的搜索引擎已經(jīng)獲得了很大的成功。但是搜索引擎依賴于用戶對信息描述的準(zhǔn)確度而導(dǎo)致搜索結(jié)果質(zhì)量不高,且不能主動(dòng)推送給用戶所需的信息�；谛畔⑦^濾的推薦系統(tǒng)為這個(gè)問題提供了解決方案。推薦系統(tǒng)基于用戶的歷史行為數(shù)據(jù),建立相關(guān)模型挖掘用戶需求和興趣,進(jìn)而篩選出對用戶有用的信息。協(xié)同過濾是推薦系統(tǒng)中應(yīng)用最廣泛的算法之一。然而協(xié)同過濾也面臨著一系列的挑戰(zhàn),比如推薦準(zhǔn)確度,數(shù)據(jù)稀疏性等問題。本文對協(xié)同過濾進(jìn)行了研究。并且對基于模型的算法中基于矩陣分解和基于受限玻爾茲曼機(jī)的算法進(jìn)行改進(jìn)。主要工作體現(xiàn)在以下三個(gè)方面:第一,針對基于鄰居的協(xié)同過濾算法中的兩個(gè)關(guān)鍵因素——鄰居數(shù)量和相似度算法的選擇對精確度的影響展開研究。并對比了基于內(nèi)存的幾種協(xié)同過濾算法在Movielens數(shù)據(jù)集上的推薦準(zhǔn)確度差異。第二,在基于矩陣分解的協(xié)同過濾中分別融入了用戶評分的時(shí)間信息,用戶特征信息與項(xiàng)目特征信息,融入了時(shí)間上下文相關(guān)的用戶與項(xiàng)目偏置、用戶注冊信息偏置、項(xiàng)目特征信息偏置等,提出了一種改進(jìn)算法:FeatureTRSVD算法。第三,對基于受限玻爾茲曼機(jī)的協(xié)同過濾算法進(jìn)行改進(jìn),將項(xiàng)目當(dāng)作單獨(dú)的受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練,采用帶mini-batch的批量梯度下降算法進(jìn)行參數(shù)學(xué)習(xí),提出并實(shí)現(xiàn)了基于項(xiàng)目的受限玻爾茲曼機(jī)協(xié)同過濾算法。實(shí)驗(yàn)結(jié)果表明,該方法的系統(tǒng)性能顯著優(yōu)于基于用戶的受限玻爾茲曼機(jī)協(xié)同過濾,其結(jié)果也稍微優(yōu)于基于SVD的協(xié)同過濾算法。
【關(guān)鍵詞】：推薦系統(tǒng) 協(xié)同過濾 矩陣分解 受限玻爾茲曼機(jī)
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 研究背景9-11
• 1.2 研究歷史和現(xiàn)狀11-13
• 1.3 本文研究內(nèi)容13
• 1.4 本文結(jié)構(gòu)13-15
• 第2章 推薦系統(tǒng)及協(xié)同過濾簡介15-25
• 2.1 推薦系統(tǒng)模塊介紹15-16
• 2.2 常用推薦算法16-21
• 2.2.1 基于內(nèi)容的推薦17-19
• 2.2.2 協(xié)同過濾推薦19-20
• 2.2.3 混合推薦算法20-21
• 2.3 協(xié)同過濾算法簡介21-22
• 2.3.1 基于內(nèi)存的協(xié)同過濾21
• 2.3.2 基于模型的協(xié)同過濾算法21-22
• 2.3.3 協(xié)同過濾算法存在的問題22
• 2.4 推薦系統(tǒng)評測22-23
• 2.5 本章小結(jié)23-25
• 第3章 基于內(nèi)存的協(xié)同過濾推薦算法25-35
• 3.1 基于用戶的協(xié)同過濾25-27
• 3.1.1 基于用戶的協(xié)同過濾基本思想25-26
• 3.1.2 基于用戶的協(xié)同過濾的優(yōu)缺點(diǎn)26-27
• 3.2 基于項(xiàng)目的協(xié)同過濾27-28
• 3.2.1 基于項(xiàng)目的協(xié)同過濾基本思想27-28
• 3.2.2 基于項(xiàng)目的協(xié)同過濾的優(yōu)缺點(diǎn)28
• 3.3 Slope One算法28-29
• 3.3.1 Slope One基本思想28-29
• 3.3.2 Slope One算法的優(yōu)缺點(diǎn)29
• 3.4 實(shí)驗(yàn)與總結(jié)29-33
• 3.4.1 數(shù)據(jù)集簡介29-30
• 3.4.2 實(shí)驗(yàn)設(shè)計(jì)與分析30-33
• 3.5 本章小結(jié)33-35
• 第4章 基于矩陣分解的協(xié)同過濾推薦算法35-47
• 4.1 RSVD算法35-37
• 4.2 融入用戶項(xiàng)目特征信息的動(dòng)態(tài)RSVD算法37-41
• 4.2.1 融入時(shí)間信息的RSVD算法37-39
• 4.2.2 融入用戶項(xiàng)目特征信息的RSVD算法39-40
• 4.2.3 模型優(yōu)化和算法描述40-41
• 4.3 實(shí)驗(yàn)與總結(jié)41-46
• 4.3.1 數(shù)據(jù)集簡介41-42
• 4.3.2 實(shí)驗(yàn)設(shè)計(jì)與分析42-46
• 4.4 本章小結(jié)46-47
• 第5章 基于受限玻爾茲曼機(jī)的協(xié)同過濾算法47-59
• 5.1 受限玻爾茲曼機(jī)簡介47-49
• 5.1.1 受限玻爾茲曼機(jī)基本模型47-48
• 5.1.2 對比散度快速學(xué)習(xí)RBM48-49
• 5.2 基于受限波爾茲曼機(jī)的協(xié)同過濾算法49-53
• 5.2.1 基于用戶的受限玻爾茲曼機(jī)協(xié)同過濾算法49-50
• 5.2.2 基于項(xiàng)目的受限玻爾茲曼機(jī)協(xié)同過濾算法50-51
• 5.2.3 參數(shù)學(xué)習(xí)51-52
• 5.2.4 評分預(yù)測52-53
• 5.3 實(shí)驗(yàn)與總結(jié)53-57
• 5.3.1 數(shù)據(jù)集簡介53
• 5.3.2 實(shí)驗(yàn)設(shè)計(jì)與分析53-57
• 5.4 本章小結(jié)57-59
• 結(jié)論59-61
• 參考文獻(xiàn)61-65
• 攻讀碩士學(xué)位期間所取得的研究成果65-67
• 致謝67

【引證文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 宋志遠(yuǎn);基于情境感知的移動(dòng)客戶端個(gè)性化推送的研究[D];哈爾濱商業(yè)大學(xué);2016年

，

本文編號：720007