本文關(guān)鍵詞：基于用戶性格的協(xié)同過濾推薦研究

  更多相關(guān)文章： 用戶性格 個(gè)性化推薦 協(xié)同過濾 推薦系統(tǒng)

【摘要】：隨著互聯(lián)網(wǎng)上信息的日益膨脹,傳統(tǒng)搜索引擎已經(jīng)難以滿足用戶個(gè)性化的信息獲取需求。為了解決這個(gè)問題,在很多領(lǐng)域內(nèi),推薦系統(tǒng)正被越來越廣泛的應(yīng)用。協(xié)同過濾推薦是目前應(yīng)用最廣泛也最為成功的一種推薦策略。然而它還存在著冷啟動(dòng)、稀疏性和可擴(kuò)展性等問題。 當(dāng)前很多學(xué)者對(duì)這三個(gè)問題進(jìn)行了深入分析研究,但是分析的重點(diǎn)主要放在了如何對(duì)數(shù)據(jù)進(jìn)行處理上,重視數(shù)據(jù)忽視用戶,過多的從數(shù)據(jù)角度對(duì)用戶進(jìn)行相似性分析進(jìn)而產(chǎn)生推薦。鮮有從用戶性格特征角度對(duì)過濾推薦策略進(jìn)行研究的。 針對(duì)當(dāng)前研究存在的問題,論文研究了用戶性格在協(xié)同過濾推薦中的應(yīng)用。提出了基于用戶性格的協(xié)同過濾方法,指出采用用戶性格特征來計(jì)算用戶之間的相似度,并據(jù)此選取用戶最近鄰,這種方法可以很好的解決稀疏性問題。同時(shí),論文還提出了綜合加權(quán)考慮傳統(tǒng)的基于用戶評(píng)分和基于用戶性格特征的相似性計(jì)算方法。論文還指出,可以依據(jù)項(xiàng)目特征對(duì)項(xiàng)目進(jìn)行劃分,并結(jié)合用戶性格建立性格-項(xiàng)目偏好矩陣。根據(jù)該矩陣可以對(duì)用戶或項(xiàng)目進(jìn)行推薦,該方法可以解決冷啟動(dòng)問題。 論文最后對(duì)提出的推薦策略進(jìn)行了實(shí)驗(yàn)。通過設(shè)計(jì)問卷,收集了用戶性格特征以及用戶對(duì)電影的評(píng)分?jǐn)?shù)據(jù)。實(shí)驗(yàn)結(jié)果顯示出,在同等條件下,基于用戶性格的協(xié)同過濾推薦算法比傳統(tǒng)的協(xié)同過濾推薦算法精確度高,而將兩者加權(quán)考慮的推薦算法有著更高的精確度。
【關(guān)鍵詞】：用戶性格 個(gè)性化推薦 協(xié)同過濾 推薦系統(tǒng)
【學(xué)位授予單位】：首都師范大學(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4-5
• Abstract5-6
• 目錄6-8
• 圖目錄8-9
• 表目錄9-10
• 第一章 緒論10-16
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 主要推薦算法研究現(xiàn)狀11-12
• 1.2.2 協(xié)同過濾推薦研究現(xiàn)狀12-13
• 1.3 研究內(nèi)容13
• 1.4 論文結(jié)構(gòu)13-16
• 第二章 協(xié)同過濾推薦系統(tǒng)16-28
• 2.1 推薦系統(tǒng)16-19
• 2.1.1 推薦系統(tǒng)定義及主要數(shù)據(jù)模塊16-17
• 2.1.2 推薦系統(tǒng)的分類介紹17-19
• 2.2 協(xié)同過濾推薦算法19-24
• 2.2.1 協(xié)同過濾推薦系統(tǒng)分類與流程19-20
• 2.2.2 計(jì)算用戶相似度20-21
• 2.2.3 最近鄰選擇21-22
• 2.2.4 估算用戶對(duì)項(xiàng)目的評(píng)分22-23
• 2.2.5 推薦結(jié)果評(píng)估23-24
• 2.3 算法優(yōu)缺點(diǎn)24-26
• 2.4 本章小結(jié)26-28
• 第三章 性格分類學(xué)說28-34
• 3.1 性格28
• 3.2 一些分類學(xué)說28-31
• 3.2.1 MBTI28-29
• 3.2.2 九型人格29-30
• 3.2.3 霍蘭德職業(yè)興趣理論30-31
• 3.3 本文采用的劃分方法31-32
• 3.4 本章小結(jié)32-34
• 第四章 基于用戶性格的協(xié)同過濾推薦34-44
• 4.1 推薦思路及用戶性格的獲取34-35
• 4.1.1 推薦出發(fā)點(diǎn)34
• 4.1.2 獲取用戶性格的途徑34-35
• 4.2 基于用戶性格的推薦流程35-38
• 4.2.1 只考慮用戶性格特征計(jì)算用戶相似度35-36
• 4.2.2 加權(quán)考慮用戶性格特征和用戶評(píng)分36-37
• 4.2.3 選取最近鄰37
• 4.2.4 推薦及評(píng)估37-38
• 4.3 性格-項(xiàng)目偏好矩陣38-40
• 4.4 相關(guān)算法展示40-43
• 4.5 本章小結(jié)43-44
• 第五章 實(shí)驗(yàn)數(shù)據(jù)處理與討論44-52
• 5.1 實(shí)驗(yàn)數(shù)據(jù)獲取44-46
• 5.1.1 問卷設(shè)計(jì)44
• 5.1.2 問卷統(tǒng)計(jì)分析44-46
• 5.2 實(shí)驗(yàn)數(shù)據(jù)處理46-51
• 5.2.1 實(shí)驗(yàn)環(huán)境46
• 5.2.2 數(shù)據(jù)處理過程46-50
• 5.2.3 結(jié)果分析50-51
• 5.3 本章小結(jié)51-52
• 第六章 總結(jié)與展望52-54
• 6.1 論文研究總結(jié)52-53
• 6.1.1 研究內(nèi)容總結(jié)52
• 6.1.2 本文方法的優(yōu)點(diǎn)52-53
• 6.2 論文研究不足與展望53-54
• 參考文獻(xiàn)54-58
• 附錄：用戶對(duì)電影的評(píng)分問卷58-62
• 致謝62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 羅澤碧;謝慶生;;基于web數(shù)據(jù)挖掘的協(xié)同過濾推薦算法[J];貴州大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

2 王國霞;劉賀平;;個(gè)性化推薦系統(tǒng)綜述[J];計(jì)算機(jī)工程與應(yīng)用;2012年07期

3 謝芳;王波;;基于關(guān)聯(lián)規(guī)則個(gè)性化推薦的改進(jìn)算法[J];計(jì)算機(jī)應(yīng)用;2006年S2期

4 王輝;高利軍;王聽忠;;個(gè)性化服務(wù)中基于用戶聚類的協(xié)同過濾推薦[J];計(jì)算機(jī)應(yīng)用;2007年05期

5 蔣國瑞;青海;黃梯云;;一種柔性的電子商務(wù)推薦系統(tǒng)[J];計(jì)算機(jī)應(yīng)用研究;2009年03期

6 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報(bào);2009年02期

7 周玲;信息超載綜述[J];圖書情報(bào)工作;2001年11期

8 鄧愛林,左子葉,朱揚(yáng)勇;基于項(xiàng)目聚類的協(xié)同過濾推薦算法[J];小型微型計(jì)算機(jī)系統(tǒng);2004年09期

9 劉建國;周濤;汪秉宏;;個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

，

本文編號(hào)：946952