本文關(guān)鍵詞：基于用戶的協(xié)同過(guò)濾推薦算法研究

  更多相關(guān)文章： 用戶相似度 協(xié)同過(guò)濾 推薦系統(tǒng) 模糊機(jī)制 誤差反饋

【摘要】：科學(xué)技術(shù)的迅速發(fā)展和電子設(shè)備的迅速普及,我們不得不面對(duì)日益嚴(yán)重的信息過(guò)載問(wèn)題。推薦系統(tǒng)的提出可以有效的緩解該問(wèn)題,推薦系統(tǒng)集成了數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù),經(jīng)過(guò)近二十年的不斷發(fā)展,已經(jīng)被廣泛地應(yīng)用到電子商務(wù)系統(tǒng)中。協(xié)同過(guò)濾推薦是推薦算法中應(yīng)用最廣泛和最成功的一種推薦算法,該算法的關(guān)鍵步驟是尋找與目標(biāo)用戶相匹配的相似鄰居用戶。本文針對(duì)基于用戶的協(xié)同過(guò)濾推薦進(jìn)行了系統(tǒng)的研究,所取得的主要研究成果為:1.模糊邏輯機(jī)制和項(xiàng)目的上下文信息可以應(yīng)用于協(xié)同過(guò)濾推薦系統(tǒng),基于此提出了一種基于模糊機(jī)制與上下文信息的協(xié)同過(guò)濾推薦算法,首先通過(guò)模糊邏輯構(gòu)建用戶的評(píng)分隸屬度函數(shù),即采用軟化分機(jī)制解決傳統(tǒng)相似度硬劃分存在的尖銳邊界問(wèn)題。進(jìn)而通過(guò)項(xiàng)目的上下文信息,充分挖掘整體用戶對(duì)項(xiàng)目的偏好程度進(jìn)而構(gòu)建項(xiàng)目對(duì)相似度的貢獻(xiàn)率,即克服了項(xiàng)目的單一權(quán)值對(duì)相似度構(gòu)建帶來(lái)的不確定性問(wèn)題。最后通過(guò)改進(jìn)的雅各布相似度度量模型,即評(píng)分?jǐn)?shù)目較小的用戶所對(duì)應(yīng)的相似度處以相應(yīng)的懲罰,最終構(gòu)建更為合理的相似度模型。實(shí)驗(yàn)結(jié)果表明,與經(jīng)典的皮爾遜相似度、余弦相似度和其他算法相比,該算法可以構(gòu)建更為合理的相似度模型。2.協(xié)同過(guò)濾推薦算法核心是目標(biāo)用戶的興趣愛好可以由相似的鄰居用戶計(jì)算求得,基于此提出一種基于誤差反饋信息的協(xié)同過(guò)濾推薦算法。本算法首先通過(guò)用戶之間的共同項(xiàng)目評(píng)分,運(yùn)用不同的相似度距離因子構(gòu)建用戶的基本相似度,即充分挖掘了用戶之間共同偏好。然后該算法通過(guò)用戶自身評(píng)分的平均值、標(biāo)準(zhǔn)方差和共同的評(píng)分項(xiàng)目比例,構(gòu)建用戶的偏好相似度,即充分挖掘了用戶自身的評(píng)分習(xí)慣與屬性。最后本算法通過(guò)用戶的誤差反饋信息去掉鄰居中的噪音評(píng)分,使目標(biāo)用戶的鄰居集合更趨于合理性。實(shí)驗(yàn)結(jié)果表明該算法可以產(chǎn)生更為精確的推薦結(jié)果。3.粒子群優(yōu)化算法從隨機(jī)解作為出發(fā)點(diǎn),通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的質(zhì)量,通過(guò)迭代尋找最優(yōu)解,該算法實(shí)現(xiàn)簡(jiǎn)單、精度高、收斂快,在解決實(shí)際問(wèn)題中已經(jīng)充分展示了其優(yōu)越的性能�；诖颂岢鲆环N基于粒子群優(yōu)化的用戶相似度模型。在該模型中用粒子群優(yōu)化算法優(yōu)化不同的相似度距離因子的權(quán)值,進(jìn)而構(gòu)建更加合理的相似度模型,與經(jīng)典的皮爾遜相似度、余弦相似度相比較,實(shí)驗(yàn)結(jié)果表明該算法可以產(chǎn)生更為精確的推薦結(jié)果。
【關(guān)鍵詞】：用戶相似度 協(xié)同過(guò)濾 推薦系統(tǒng) 模糊機(jī)制 誤差反饋
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號(hào)對(duì)照表10-11
• 縮略語(yǔ)對(duì)照表11-14
• 第一章 緒論14-22
• 1.1 課題背景及研究意義14-20
• 1.1.2 推薦系統(tǒng)概述15-16
• 1.1.3 推薦系統(tǒng)分類16-19
• 1.1.4 推薦系統(tǒng)評(píng)價(jià)指標(biāo)19-20
• 1.2 本論文的主要工作和內(nèi)容安排20-22
• 第二章 協(xié)同過(guò)濾推薦算法22-30
• 2.1 協(xié)同過(guò)濾推薦算法22-27
• 2.1.1 協(xié)同過(guò)濾算法概述22
• 2.1.2 基于用戶的協(xié)同過(guò)濾推薦22-24
• 2.1.3 基于項(xiàng)目的協(xié)同過(guò)濾推薦24-26
• 2.1.4 基于模型的協(xié)同過(guò)濾推薦26-27
• 2.2 協(xié)同過(guò)濾存在的問(wèn)題27-28
• 2.3 本章小結(jié)28-30
• 第三章 基于模糊機(jī)制與上下文信息的協(xié)同過(guò)濾推薦算法30-42
• 3.1 常用的相似度模型30-34
• 3.1.1 傳統(tǒng)相似度模型30-31
• 3.1.2 其它相似度模型31-34
• 3.2 構(gòu)建的算法動(dòng)機(jī)34-35
• 3.2.1 評(píng)分模糊邏輯化34
• 3.2.2 構(gòu)建項(xiàng)目貢獻(xiàn)率34
• 3.2.3 懲罰評(píng)分?jǐn)?shù)目較小的用戶相似度34-35
• 3.3 算法的實(shí)現(xiàn)35-38
• 3.3.1 算法數(shù)學(xué)描述35-37
• 3.3.2 相似度計(jì)算例子37-38
• 3.4 實(shí)驗(yàn)結(jié)果及性能分析38-41
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)集38
• 3.4.2 實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)38-39
• 3.4.3 實(shí)驗(yàn)結(jié)果展示及分析39-41
• 3.5 本章小結(jié)41-42
• 第四章 基于誤差反饋信息的協(xié)同過(guò)濾推薦算法42-52
• 4.1 前言42-44
• 4.1.1 用戶相似度因子模型42-43
• 4.1.2 用戶誤差反饋信息概述43-44
• 4.2 算法的實(shí)現(xiàn)44-49
• 4.2.1 構(gòu)建算法的動(dòng)機(jī)44
• 4.2.2 算法的具體實(shí)現(xiàn)44-47
• 4.2.3 算法實(shí)現(xiàn)的例子47-49
• 4.3 實(shí)驗(yàn)結(jié)果及性能分析49-51
• 4.3.1 實(shí)驗(yàn)數(shù)據(jù)集49
• 4.3.2 實(shí)驗(yàn)結(jié)果分析49-51
• 4.4 本章小結(jié)51-52
• 第五章 基于粒子群優(yōu)化的用戶相似度模型論52-60
• 5.1 前言52-54
• 5.1.1 粒子群優(yōu)化算法52-53
• 5.1.2 基于距離因子的相似度模型53-54
• 5.2 算法的具體實(shí)現(xiàn)54-56
• 5.3 實(shí)驗(yàn)結(jié)果及性能分析56-58
• 5.3.1 實(shí)驗(yàn)數(shù)據(jù)集介紹56
• 5.3.2 實(shí)驗(yàn)結(jié)果展示56-58
• 5.4 本章小結(jié)58-60
• 第六章 結(jié)論和展望60-62
• 6.1 研究結(jié)論60
• 6.2 研究結(jié)論60-62
• 參考文獻(xiàn)62-66
• 致謝66-68
• 作者簡(jiǎn)介68-69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 李濤;王建東;葉飛躍;馮新宇;張有東;;一種基于用戶聚類的協(xié)同過(guò)濾推薦算法[J];系統(tǒng)工程與電子技術(shù);2007年07期

2 周軍鋒,湯顯,郭景峰;一種優(yōu)化的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2004年10期

3 鄧愛林,朱揚(yáng)勇,施伯樂(lè);基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J];軟件學(xué)報(bào);2003年09期

，

本文編號(hào)：988792