本文關(guān)鍵詞：面向稀疏數(shù)據(jù)的個性化推薦技術(shù)研究

  更多相關(guān)文章： 數(shù)據(jù)稀疏 個性化推薦 信任相似度 稀疏子空間 協(xié)同過濾

【摘要】：隨著互聯(lián)網(wǎng)和電子商務(wù)的發(fā)展,互聯(lián)網(wǎng)信息與日俱增,產(chǎn)生了“信息過載”現(xiàn)象,用戶很難找到自己需要的信息。搜索引擎的問世節(jié)省了搜索時間,可以快速定位用戶需要的信息,但是缺少定制個性化檢索結(jié)果的能力。個性化推薦技術(shù)根據(jù)用戶歷史行為信息,提供個性化推薦服務(wù),滿足用戶需求,可以有效解決信息過載問題。但是隨著個性化推薦系統(tǒng)規(guī)模越來越大,用戶歷史行為信息相對越來越少,評分矩陣極度稀疏,導(dǎo)致推薦質(zhì)量下降。為了緩解數(shù)據(jù)稀疏帶來的影響,目前的主要方法是維數(shù)約簡,采用特征提取或者利用機器學習方法降低維度,還可以使用數(shù)據(jù)壓縮原理減少系統(tǒng)數(shù)據(jù)的維度。現(xiàn)有的推薦技術(shù)在降低維度的過程中都會舍棄掉部分重要信息,使得相似度計算和近鄰查找的精度不高,從而影響推薦效果。針對現(xiàn)有推薦技術(shù)在數(shù)據(jù)稀疏情況下存在的問題進行研究,主要工作如下:1.當評分矩陣極度稀疏時,使用現(xiàn)有的相似度量方法計算用戶相似度的準確率不高,導(dǎo)致依據(jù)用戶相似矩陣查找最近鄰居以及計算評分預(yù)測值的精確度下降。對此,提出基于聚類和信任度的個性化推薦算法,定義信任相似度,將基于評分眾數(shù)的用戶信任度融合到基于用戶評分的傳統(tǒng)相似度量算法中。在MovieLens數(shù)據(jù)集上進行測試,實驗結(jié)果證明,提出的基于聚類和信任度的個性化推薦算法計算出的用戶相似度的精度更高,有助于尋找到適合的最近鄰居用戶,更加準確地填充評分預(yù)測值,避免用戶惡意評分的情況,在數(shù)據(jù)稀疏的情況下提高用戶相似度計算的準確率,提高推薦精度。2.目前推薦系統(tǒng)的評分數(shù)據(jù)具有高維性和稀疏性,例如多媒體數(shù)據(jù)、購物數(shù)據(jù)等,現(xiàn)有針對高維稀疏數(shù)據(jù)的推薦算法大都基于維度約簡,在降低維度的過程中舍棄了過多有用信息,導(dǎo)致查找近鄰的精度下降。為此,提出基于稀疏子空間聚類的個性化推薦算法,利用稀疏子空間聚類算法對用戶進行聚類,減少有用信息的舍棄,找到所屬聚類簇,計算相似度,利用KNN(K-Nearest Neighbor)方法查找最近鄰集合,根據(jù)近鄰集合的評分值計算預(yù)測評分值。在MovieLens數(shù)據(jù)集上進行測試,實驗結(jié)果證明,基于稀疏子空間聚類的個性化推薦算法可以積極緩解在數(shù)據(jù)稀疏情況下查找近鄰不精準的問題,提高推薦質(zhì)量。
【關(guān)鍵詞】：數(shù)據(jù)稀疏 個性化推薦 信任相似度 稀疏子空間 協(xié)同過濾
【學位授予單位】：西南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-8
• 第1章 緒論8-15
• 1.1 研究背景及意義8-9
• 1.2 研究現(xiàn)狀9-13
• 1.3 主要工作13-14
• 1.4 論文結(jié)構(gòu)14-15
• 第2章 相關(guān)理論和技術(shù)15-30
• 2.1 個性化推薦技術(shù)概述15-18
• 2.2 協(xié)同過濾算法18-27
• 2.2.1 協(xié)同過濾算法概述18
• 2.2.2 協(xié)同過濾算法分類18
• 2.2.3 基于內(nèi)存的協(xié)同過濾算法18-26
• 2.2.4 基于模型的協(xié)同過濾算法26-27
• 2.4 數(shù)據(jù)集與評價標準27-29
• 2.4.1 數(shù)據(jù)集27
• 2.4.2 評價標準27-29
• 2.5 本章小結(jié)29-30
• 第3章 基于聚類和信任度的個性化推薦算法30-41
• 3.1 算法框架30-32
• 3.2 用戶聚類32
• 3.3 用戶信任度量32-33
• 3.4 查找最近鄰33-34
• 3.5 生成推薦結(jié)果34-35
• 3.6 算法流程35
• 3.7 實驗35-40
• 3.7.1 實驗環(huán)境35
• 3.7.2 實驗數(shù)據(jù)35-36
• 3.7.3 評價標準36-37
• 3.7.4 實驗結(jié)果37-40
• 3.8 本章小結(jié)40-41
• 第4章 基于稀疏子空間聚類的個性化推薦算法41-52
• 4.1 算法框架41-43
• 4.2 用戶聚類43-44
• 4.3 計算用戶相似性44
• 4.4 查找最近鄰44-45
• 4.5 生成推薦結(jié)果45
• 4.6 算法流程45
• 4.7 實驗45-51
• 4.7.1 實驗數(shù)據(jù)45-46
• 4.7.2 實驗結(jié)果46-51
• 4.8 本章小結(jié)51-52
• 第5章 總結(jié)與展望52-54
• 5.1 工作總結(jié)52-53
• 5.2 展望53-54
• 參考文獻54-58
• 致謝58-59
• 攻讀碩士學位期間公開發(fā)表的論文59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 高山武;李爭武;;智能匹配中的實例相似度的研究[J];電腦知識與技術(shù)(學術(shù)交流);2007年10期

2 操牡丹;何前鋒;王柏;;中醫(yī)藥方劑相似度模型[J];計算機工程;2009年16期

3 范海雄;劉付顯;夏璐;;融合裕度和否決權(quán)的案例相似度量方法[J];計算機工程;2012年12期

4 付海艷;張誠一;;基于正規(guī)三角模糊集相似度量的模糊推理[J];計算機工程與應(yīng)用;2006年15期

5 黃藝美;曹愛增;李金屏;;Vague集元素等相似度圖形化表示[J];濟南大學學報(自然科學版);2007年04期

6 江偉;梁家榮;;一種新的基于包含度的Vague相似度[J];軟件導(dǎo)刊;2012年03期

7 石玉強,王鴻緒;計算Vague集之間的相似度的一種新方法[J];計算機工程與應(yīng)用;2005年27期

8 鄭浩森;湯胤;彭宏;鄭啟倫;;范例的代數(shù)結(jié)構(gòu)及其相似度量的研究[J];計算機工程與應(yīng)用;2006年04期

9 陳傳波;呂澤華;秦培煜;夏暉;;基于正態(tài)分布函數(shù)的直覺模糊集的相似度量方法[J];小型微型計算機系統(tǒng);2007年03期

10 徐鳳生;;Vague集之間相似性的度量方法[J];計算機工程與應(yīng)用;2012年19期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 陳寧;陳安;周龍驤;;混合類型數(shù)據(jù)相似度及網(wǎng)格聚類算法[A];第十八屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2001年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 呂澤華;模糊集理論的新拓展及其應(yīng)用研究[D];華中科技大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 石教開;面向稀疏數(shù)據(jù)的個性化推薦技術(shù)研究[D];西南大學;2016年

2 張敏;邊界不確定性集合的相似度量的研究[D];西安電子科技大學;2006年

3 賀笑;基于形狀特性的人臉相似度的描述與分析[D];南京理工大學;2014年

4 林娟;粗糙集的相似度量和屬性約簡[D];河北師范大學;2015年

5 高鵬;推薦系統(tǒng)中信息相似度的研究及其應(yīng)用[D];上海交通大學;2013年

6 孫瑞;模糊數(shù)的相似度及其在風險分析中的應(yīng)用[D];西華大學;2013年

7 王婭茜;基于節(jié)點相似度的網(wǎng)絡(luò)社團挖掘研究[D];電子科技大學;2015年

8 章四兵;基于相似度量的機械產(chǎn)品系統(tǒng)的分類方法研究[D];合肥工業(yè)大學;2004年

9 唐志剛;Vague集理論及其應(yīng)用研究[D];廣西大學;2007年

10 李哲;相似度量及其在系統(tǒng)發(fā)育分析中的應(yīng)用研究[D];湘潭大學;2013年

，

本文編號：929087