本文關(guān)鍵詞：推薦算法研究和對(duì)象搜索引擎的搭建

  更多相關(guān)文章： 電影推薦 矩陣分解 聚類因子 垂直搜索 開發(fā)效率

【摘要】：近幾十年來,互聯(lián)網(wǎng)的迅速發(fā)展,不僅促進(jìn)了全世界范圍內(nèi)信息的有效傳播和流通,而且對(duì)科學(xué)研究、工商業(yè)發(fā)展,乃至人們的日常生活方式都帶來了深遠(yuǎn)的影響。隨著互聯(lián)網(wǎng)數(shù)據(jù)的指數(shù)級(jí)膨脹,互聯(lián)網(wǎng)已經(jīng)進(jìn)入“大數(shù)據(jù)”時(shí)代。在這樣一種背景條件下,人們獲取信息的周期正在不斷變長。面對(duì)信息獲取,好的選擇將變得難得一遇。而且大多數(shù)情況下,這種決策選擇需要花費(fèi)大量的人力與物力,但是往往收效甚微。本文主要從縮短用戶獲取信息周期的角度出發(fā),引出推薦系統(tǒng)和搜索引擎在現(xiàn)階段人們?nèi)粘Ｉ钪械闹匾饔�。本文分兩部分來闡述論文的研究內(nèi)容。 首先是推薦系統(tǒng),探討了現(xiàn)階段推薦系統(tǒng)發(fā)展的一個(gè)現(xiàn)狀,然后以一個(gè)實(shí)際的評(píng)分預(yù)測類推薦任務(wù)—電影推薦—為主要的研究點(diǎn),研究高等矩陣因子分解模型在評(píng)分預(yù)測類推薦任務(wù)中的應(yīng)用。Netflix Prize大獎(jiǎng)賽的成功舉辦,讓矩陣分解技術(shù)在電影推薦領(lǐng)域的應(yīng)用廣為人知。而且經(jīng)過KDD2012評(píng)測大賽的再次驗(yàn)證,進(jìn)一步說明了高等的矩陣因子分解技術(shù)對(duì)于提高推薦系統(tǒng)特別是評(píng)分預(yù)測類的預(yù)測準(zhǔn)確率是很有幫助的。簡單來說,推薦系統(tǒng)中使用矩陣分解從評(píng)分模式中抽取一組潛在的因子,我們可以將用戶或者物品用這些潛在的因子向量來表示,這些向量可以被稱為特征向量。由于抽取的因子可能是無法直觀的去理解的,所以是潛在特征,基于此,這種方法也被稱為潛在因子模型LFM (Latent Factor Model)。本文在研究了基本的LFM模型的基礎(chǔ)上,提出以用戶興趣為導(dǎo)向的潛在用戶分組屬性,將聚類因子巧妙的加入到LFM模型之中。經(jīng)過實(shí)驗(yàn)驗(yàn)證,這種考慮了用戶興趣分組的矩陣分解模型在預(yù)測的準(zhǔn)確率上大為提高。 其次,對(duì)于搜索引擎的研究本文著重考慮的是垂直搜索引擎的搭建工作,更側(cè)重于工程性實(shí)現(xiàn)。本文對(duì)于搜索引擎的發(fā)展現(xiàn)狀做了詳細(xì)的調(diào)研,并對(duì)于搭建搜索引擎涉及的常見技術(shù)進(jìn)行了細(xì)致的研究,在此基礎(chǔ)上,以整合校園信息,為廣大師生提供信息查詢?yōu)槟康?搭建了一個(gè)校園對(duì)象搜索引擎。之所以稱為對(duì)象搜索,是因?yàn)橄到y(tǒng)除了常見的搜索之外,還以對(duì)象(人物,組織,機(jī)構(gòu),時(shí)間等)為單位,進(jìn)行深度數(shù)據(jù)挖掘與分析,給用戶提供更全面的信息。在調(diào)研、設(shè)計(jì)并實(shí)現(xiàn)整個(gè)框架的過程中,本文從工程開發(fā)的角度出發(fā),結(jié)合apache虛擬主機(jī)技術(shù)和SVN技術(shù),給出了一個(gè)完善且高效的開發(fā)規(guī)范。
【關(guān)鍵詞】：電影推薦 矩陣分解 聚類因子 垂直搜索 開發(fā)效率
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-18
• 1.1 研究背景10-11
• 1.2 研究現(xiàn)狀11-14
• 1.2.1 推薦系統(tǒng)的現(xiàn)狀11-13
• 1.2.2 搜索引擎時(shí)代13-14
• 1.3 論文研究內(nèi)容及結(jié)構(gòu)安排14-16
• 1.3.1 研究內(nèi)容15-16
• 1.3.2 主要工作16
• 1.3.3 章節(jié)安排16
• 1.4 本章小結(jié)16-18
• 第二章 矩陣分解技術(shù)18-28
• 2.1 背景介紹18-19
• 2.2 評(píng)判指標(biāo)19
• 2.3 奇異值分解(SVD)19-22
• 2.3.1 數(shù)學(xué)意義19-20
• 2.3.2 SVD在數(shù)據(jù)處理中的作用20-21
• 2.3.3 SVD在實(shí)際應(yīng)用中的缺陷21-22
• 2.4 潛在因子模型22-25
• 2.4.1 模型22-23
• 2.4.2 策略23
• 2.4.3 優(yōu)化算法23-25
• 2.5 隨機(jī)梯度下降法25
• 2.6 BiasSVD25-26
• 2.7 本章小結(jié)26-28
• 第三章 ClusterLFM28-38
• 3.1 潛在分組屬性28
• 3.2 用戶聚類分析28-31
• 3.2.1 相似度度量28-29
• 3.2.2 PCA降維29-30
• 3.2.3 層次聚類30-31
• 3.2.4 重新構(gòu)造特征向量31
• 3.3 ClusterLFM31-32
• 3.4 迭代過程的注意事項(xiàng)32-33
• 3.5 實(shí)驗(yàn)結(jié)果33-36
• 3.6 本章小結(jié)36-38
• 第四章 校園對(duì)象搜索引擎38-54
• 4.1 需求背景38
• 4.2 系統(tǒng)框架38-39
• 4.3 相關(guān)技術(shù)及系統(tǒng)架構(gòu)介紹39-44
• 4.3.1 爬蟲模塊39-40
• 4.3.2 索引模塊40-41
• 4.3.3 內(nèi)存緩存機(jī)制41-43
• 4.3.4 LAMP架構(gòu)43-44
• 4.4 項(xiàng)目開發(fā)規(guī)范44-48
• 4.4.1 Apache虛擬主機(jī)44-45
• 4.4.2 Linux權(quán)限管理45
• 4.4.3 Subversion45-46
• 4.4.4 SVN的圖形化46
• 4.4.5 項(xiàng)目規(guī)范總結(jié)46-48
• 4.5 系統(tǒng)特色48-49
• 4.5.1 對(duì)象搜索48
• 4.5.2 教師的關(guān)系圖譜48
• 4.5.3 校園日歷48
• 4.5.4 論壇用戶關(guān)系圖譜48-49
• 4.6 系統(tǒng)展示49-52
• 4.7 本章小結(jié)52-54
• 第五章 總結(jié)與展望54-56
• 5.1 總結(jié)54-55
• 5.2 創(chuàng)新點(diǎn)55
• 5.3 下一步工作55-56
• 參考文獻(xiàn)56-58
• 致謝58

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 袁運(yùn)祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計(jì)算機(jī)應(yīng)用通訊;1981年00期

2 李宇光,朱志德;矩陣分解法分析及其應(yīng)用研究[J];哈爾濱船舶工程學(xué)院學(xué)報(bào);1989年04期

3 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2014年04期

4 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

5 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

6 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號(hào)處理;1985年03期

7 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

8 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學(xué)報(bào);2012年03期

9 段華杰;;考慮時(shí)間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

10 王海雷;牟雁超;俞學(xué)寧;;基于協(xié)同矩陣分解的社會(huì)化標(biāo)簽系統(tǒng)的資源推薦[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

2 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

3 陳根浪;基于社交媒體的推薦技術(shù)若干問題研究[D];浙江大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 封金蕾;基于矩陣分解的顯著對(duì)象提取算法分析與應(yīng)用[D];北京交通大學(xué);2012年

2 陳天奇;基于特征的矩陣分解模型[D];上海交通大學(xué);2013年

3 修賢超;低秩稀疏矩陣分解在視頻監(jiān)控中的應(yīng)用[D];北京交通大學(xué);2014年

4 李明;基于矩陣分解理論學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];遼寧師范大學(xué);2011年

5 鄒丹;非負(fù)矩陣分解算法研究及其在個(gè)性化推薦系統(tǒng)中的應(yīng)用[D];北京工業(yè)大學(xué);2012年

6 胡澍;融合社會(huì)關(guān)系的資源推薦方法研究[D];華中科技大學(xué);2012年

7 張川;基于矩陣分解的協(xié)同過濾推薦算法研究[D];吉林大學(xué);2013年

8 楊娟;多通路主題模型和雙矩陣分解推薦算法[D];蘇州大學(xué);2013年

9 張靜姝;推薦系統(tǒng)中基于智能優(yōu)化算法的矩陣分解[D];吉林大學(xué);2014年

10 楊艷飛;一些矩陣分解的嚴(yán)格擾動(dòng)界的研究[D];重慶大學(xué);2014年

，

本文編號(hào)：741895