隨著互聯(lián)網(wǎng)的深入普及與蓬勃發(fā)展,網(wǎng)絡(luò)應(yīng)用擔(dān)當(dāng)?shù)慕巧饾u從一個(gè)以信息資源為中心的內(nèi)容提供者,發(fā)展成為一個(gè)以人為中心的交互式平臺(tái)化網(wǎng)絡(luò)。如今我們正進(jìn)入由移動(dòng)互聯(lián)網(wǎng)所引領(lǐng)的大數(shù)據(jù)時(shí)代。在大數(shù)據(jù)時(shí)代的背景下,眾多的網(wǎng)絡(luò)應(yīng)用給人們的日常生活、工作學(xué)習(xí)、休閑娛樂等帶來了極大的便利,然而也產(chǎn)生了一些問題。一方面,巨量的網(wǎng)絡(luò)數(shù)據(jù)信息使信息超載成為一種常態(tài),互聯(lián)網(wǎng)用戶在尋找與自己興趣相關(guān)的信息時(shí),遇到了極大的困擾。另一方面,如何在互聯(lián)網(wǎng)平臺(tái)上向潛在的感興趣的用戶呈現(xiàn)海量數(shù)據(jù),以提高服務(wù)水平,對(duì)于服務(wù)提供者而言也是一個(gè)很大的困難。推薦系統(tǒng)就是為解決這些問題而設(shè)計(jì)的,它的主要功能是從海量的信息中發(fā)現(xiàn)用戶感興趣的內(nèi)容。淘寶、亞馬遜等互聯(lián)網(wǎng)平臺(tái)在采用推薦系統(tǒng)方面的成功經(jīng)驗(yàn)表明了,推薦系統(tǒng)不但可以提供給互聯(lián)網(wǎng)用戶較好的使用體驗(yàn),還能為企業(yè)創(chuàng)造極大的商業(yè)價(jià)值。目前,傳統(tǒng)的推薦方法主要可以劃分為兩類,基于內(nèi)容的推薦方法和基于協(xié)同過濾的推薦方法�；趦�(nèi)容的推薦方法僅通過文本屬性特征為用戶篩選出那些相似的項(xiàng)目,缺乏對(duì)用戶反饋信息的挖掘,存在著推薦內(nèi)容同質(zhì)化和用戶端冷啟動(dòng)等問題;基于協(xié)同過濾的推薦,依賴用戶與項(xiàng)目的交互信息... 

【文章來源】：黑龍江大學(xué)黑龍江省

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦系統(tǒng)的概況Fig.2-1Theoverviewoftherecommendationsystem

過程中是有所不同的，下面簡單介紹兩種協(xié)同過濾算法的主要思想。（1）基于項(xiàng)目的協(xié)同過濾圖2-2 基于項(xiàng)目的協(xié)同過濾示意圖Fig.2-2 The schematic of item-based collaborative filtering

-11-（2）基于用戶的協(xié)同過濾如圖2-3所示是基于用戶的協(xié)同過濾示意圖，與基于項(xiàng)目的協(xié)同過濾不同，基于用戶的協(xié)同過濾方法是從衡量用戶的相似度的角度出發(fā)，給目標(biāo)用戶推薦與其相似度較高的其他用戶所喜歡的項(xiàng)目，這里用戶之間的相似度是通過衡量他們之間歷史評(píng)分記錄的接近程度來計(jì)算得到的。圖2-3 基于用戶的協(xié)同過濾示意圖Fig.2-3 The schematic of user-based collaborative filtering被用戶 和 共同評(píng)價(jià)過的項(xiàng)目集合為 = ∩ ，那么用戶 和用戶 的Pearson相關(guān)性計(jì)算方法未下式所示：( , ) =∑, , ∈∑, ∈∑, ∈(2-12)其中 和 分別代表用戶 和 對(duì)項(xiàng)目 的評(píng)分的平均值。在確定了與目標(biāo)用戶 的相似度較高的近鄰用戶之后，可以通過這些相似用戶對(duì)項(xiàng)目的評(píng)分來預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分值，計(jì)算方法如下所示：,= +∑ ( , ), ∈∑ | ( , )|∈(2-13)其中， 為目標(biāo)用戶的相似度較高的近鄰用戶集合


本文編號(hào)：3145810