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

  更多相關(guān)文章： 數(shù)據(jù)稀疏 個(gè)性化推薦 信任相似度 稀疏子空間 協(xié)同過(guò)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(guò)載”現(xiàn)象,用戶很難找到自己需要的信息。搜索引擎的問(wèn)世節(jié)省了搜索時(shí)間,可以快速定位用戶需要的信息,但是缺少定制個(gè)性化檢索結(jié)果的能力。個(gè)性化推薦技術(shù)根據(jù)用戶歷史行為信息,提供個(gè)性化推薦服務(wù),滿足用戶需求,可以有效解決信息過(guò)載問(wèn)題。但是隨著個(gè)性化推薦系統(tǒng)規(guī)模越來(lái)越大,用戶歷史行為信息相對(duì)越來(lái)越少,評(píng)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(lái)的影響,目前的主要方法是維數(shù)約簡(jiǎn),采用特征提取或者利用機(jī)器學(xué)習(xí)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�，F(xiàn)有的推薦技術(shù)在降低維度的過(guò)程中都會(huì)舍棄掉部分重要信息,使得相似度計(jì)算和近鄰查找的精度不高,從而影響推薦效果。針對(duì)現(xiàn)有推薦技術(shù)在數(shù)據(jù)稀疏情況下存在的問(wèn)題進(jìn)行研究,主要工作如下:1.當(dāng)評(píng)分矩陣極度稀疏時(shí),使用現(xiàn)有的相似度量方法計(jì)算用戶相似度的準(zhǔn)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(jì)算評(píng)分預(yù)測(cè)值的精確度下降。對(duì)此,提出基于聚類和信任度的個(gè)性化推薦算法,定義信任相似度,將基于評(píng)分眾數(shù)的用戶信任度融合到基于用戶評(píng)分的傳統(tǒng)相似度量算法中。在MovieLens數(shù)據(jù)集上進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果證明,提出的基于聚類和信任度的個(gè)性化推薦算法計(jì)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(zhǔn)確地填充評(píng)分預(yù)測(cè)值,避免用戶惡意評(píng)分的情況,在數(shù)據(jù)稀疏的情況下提高用戶相似度計(jì)算的準(zhǔn)確率,提高推薦精度。2.目前推薦系統(tǒng)的評(píng)分?jǐn)?shù)據(jù)具有高維性和稀疏性,例如多媒體數(shù)據(jù)、購(gòu)物數(shù)據(jù)等,現(xiàn)有針對(duì)高維稀疏數(shù)據(jù)的推薦算法大都基于維度約簡(jiǎn),在降低維度的過(guò)程中舍棄了過(guò)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(gè)性化推薦算法,利用稀疏子空間聚類算法對(duì)用戶進(jìn)行聚類,減少有用信息的舍棄,找到所屬聚類簇,計(jì)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(píng)分值計(jì)算預(yù)測(cè)評(píng)分值。在MovieLens數(shù)據(jù)集上進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果證明,基于稀疏子空間聚類的個(gè)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(zhǔn)的問(wèn)題,提高推薦質(zhì)量。
【關(guān)鍵詞】：數(shù)據(jù)稀疏 個(gè)性化推薦 信任相似度 稀疏子空間 協(xié)同過(guò)濾
【學(xué)位授予單位】：西南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(gè)性化推薦技術(shù)概述15-18
• 2.2 協(xié)同過(guò)濾算法18-27
• 2.2.1 協(xié)同過(guò)濾算法概述18
• 2.2.2 協(xié)同過(guò)濾算法分類18
• 2.2.3 基于內(nèi)存的協(xié)同過(guò)濾算法18-26
• 2.2.4 基于模型的協(xié)同過(guò)濾算法26-27
• 2.4 數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)27-29
• 2.4.1 數(shù)據(jù)集27
• 2.4.2 評(píng)價(jià)標(biāo)準(zhǔn)27-29
• 2.5 本章小結(jié)29-30
• 第3章 基于聚類和信任度的個(gè)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(shí)驗(yàn)35-40
• 3.7.1 實(shí)驗(yàn)環(huán)境35
• 3.7.2 實(shí)驗(yàn)數(shù)據(jù)35-36
• 3.7.3 評(píng)價(jià)標(biāo)準(zhǔn)36-37
• 3.7.4 實(shí)驗(yàn)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(gè)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(jì)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(shí)驗(yàn)45-51
• 4.7.1 實(shí)驗(yàn)數(shù)據(jù)45-46
• 4.7.2 實(shí)驗(yàn)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(xiàn)54-58
• 致謝58-59
• 攻讀碩士學(xué)位期間公開(kāi)發(fā)表的論文59

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 高山武;李爭(zhēng)武;;智能匹配中的實(shí)例相似度的研究[J];電腦知識(shí)與技術(shù)(學(xué)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(jì)算機(jī)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(jì)算機(jī)工程;2012年12期

4 付海艷;張誠(chéng)一;;基于正規(guī)三角模糊集相似度量的模糊推理[J];計(jì)算機(jī)工程與應(yīng)用;2006年15期

5 黃藝美;曹愛(ài)增;李金屏;;Vague集元素等相似度圖形化表示[J];濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)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(qiáng),王鴻緒;計(jì)算Vague集之間的相似度的一種新方法[J];計(jì)算機(jī)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(jì)算機(jī)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(jué)模糊集的相似度量方法[J];小型微型計(jì)算機(jī)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(jì)算機(jī)工程與應(yīng)用;2012年19期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 陳寧;陳安;周龍?bào)J;;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(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2001年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 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(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 石教開(kāi);面向稀疏數(shù)據(jù)的個(gè)性化推薦技術(shù)研究[D];西南大學(xué);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(xué);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(xué);2014年

4 林娟;粗糙集的相似度量和屬性約簡(jiǎn)[D];河北師范大學(xué);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(xué);2013年

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

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

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

9 唐志剛;Vague集理論及其應(yīng)用研究[D];廣西大學(xué);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(xué);2013年

，

本文編號(hào)：929087