粒子群優(yōu)化BP神經網絡在協同過濾算法中的研究
發(fā)布時間：2021-09-03 03:59
隨著網絡資源數據量的爆炸式增長,用戶獲取有效信息的難度增大,在這一背景下推薦系統(tǒng)應運而生�，F今,推薦算法已被廣泛應用于電子商務等不同應用場景之中。針對當下主流商用推薦系統(tǒng)中應用最廣泛的協同過濾推薦算法,不同的學者采取了相應的措施進行改進。其中協同過濾算法最關鍵的步驟莫過于用戶（或項目）相似度計算,但傳統(tǒng)算法在評分矩陣數據稀疏的情況下預測精度較低,所以針對上述問題,本文提出了基于鄰居用戶評分誤差的改進協同過濾算法,主要貢獻如下:1、本文改進算法采用逆向思維,從項目特征屬性出發(fā),考慮項目的特征屬性對用戶的評分行為影響。此外,考慮到用戶評分數據復雜性,本文利用BP神經網絡能處理復雜非線性問題的優(yōu)點,通過結合粒子群優(yōu)化算法全局尋優(yōu)的特點,構建出用戶與項目屬性特征之間的評分預測模型,簡稱PSO-BP評分預測模型,通過以模型輸出的鄰居用戶預測評分與目標用戶同一項目歷史實際評分的誤差為評判標準,以此來判定用戶間的喜好相似程度,進而改善傳統(tǒng)算法在評分矩陣數據稀疏的情況下,預測評分準確性和可靠性較低的問題,提高傳統(tǒng)算法在矩陣數據稀疏情況下的評分預測精度。2、本文通過自定義相似度計算函數計算出的相似度矩陣...
【文章來源】：江西農業(yè)大學江西省
【文章頁數】：61 頁
【學位級別】：碩士
【部分圖文】：
協同過濾層次結構圖
個性化推薦服務已經成為現今網絡服務的主要形式。面對眼花繚亂的商品，顧客往往不知所措，盲目的進入到商品的海洋里尋找自己想要的東西，而瀏覽大量無關的商品信息會消磨客戶購物的耐心，從而導致潛在交易的失敗，也無形中給平臺以及商家?guī)頁p失。這個時候如果有一個優(yōu)質的推薦系統(tǒng)可以根據用戶的興趣愛好、購買或消費記錄等信息進行具有針對性的服務是不是能更大程度上促成交易的成功呢，個性化推薦系統(tǒng)（Personalized Recommendation System）正是基于這樣的背景下產生的，個性化推薦系統(tǒng)又稱為信息過濾系統(tǒng)，它不但能夠為客戶過濾掉大量無關信息，減輕用戶負擔，還能對客戶以往的瀏覽、購買記錄等信息進行數據挖掘，并以此來分析客戶的興趣愛好，向用戶推薦現在或將來他可能感興趣的商品及提出對應的信息建議等，從而將商品精準的推薦給用戶。個性化推薦系統(tǒng)主要有三大模塊組成：用戶建模模塊、推薦對象建模模塊、推薦算法模塊，其中最重要的要屬推薦算法模塊[17]。下圖為個性化推薦系統(tǒng)的模型框架圖，從圖中我們看到用戶提供自己的興趣愛好給系統(tǒng)，系統(tǒng)在獲取興趣愛好后建立用戶模型，通過融合推薦對象模型以及結合推薦算法，將計算出的對象推薦給用戶。
個性化推薦算法及相關技術他主流推薦算法基于內容的推薦算法于內容的推薦(Content-based Recommendation)是一種經典的推薦算法，算法于信息過濾和信息檢索領域，該算法根據用戶之前的興趣愛好資料以及已消數據信息去發(fā)現內容之間的關聯性，并以此來推薦與其過去喜歡項目相類似通俗的說，基于內容的推薦(Content-based Recommendation)就是分析用戶之過的商品，發(fā)現它們之間的聯系，以此來確定目標物品的屬性特征，來向用品。算法流程如圖 2.2 所示
【參考文獻】：
期刊論文
[1]改進粒子群優(yōu)化BP神經網絡糧食產量預測模型[J]. 宗宸生,鄭煥霞,王林山. 計算機系統(tǒng)應用. 2018(12)
[2]基于改進粒子群優(yōu)化BPAdaboost神經網絡的PM2.5濃度預測[J]. 李曉理,梅建想,張山. 大連理工大學學報. 2018(03)
[3]神經網絡的高反差圖像增強算法研究[J]. 梁康康,李濤. 計算機技術與發(fā)展. 2017(09)
[4]基于改進粒子群優(yōu)化算法的BP神經網絡在大壩變形分析中的應用[J]. 齊銀峰,譚榮建. 水利水電技術. 2017(02)
[5]雙重聚類的協同過濾算法在智能家居中的應用[J]. 胡磊,蔡紅霞,俞濤. 計算機技術與發(fā)展. 2017(02)
[6]Attribute Reduction with Rough Set in Context-Aware Collaborative Filtering[J]. HE Ming,REN Wanpeng. Chinese Journal of Electronics. 2017(05)
[7]基于用戶-項目的混合協同過濾算法[J]. 陳彥萍,王賽. 計算機技術與發(fā)展. 2014(12)
[8]基于天貓商城的推薦系統(tǒng)應用研究[J]. 楊凱,王瑾. 科技風. 2014(19)
[9]基于改進的雙極Slope One算法的農業(yè)信息推薦模型研究[J]. 張啟宇,宋瑤,陳英義,封文杰. 安徽農業(yè)科學. 2014(29)
[10]改進的QPSO-BP算法的鈾價格預測模型及應用[J]. 陳建宏,周漢陵,于鳳玲,楊珊. 計算機工程與應用. 2013(21)
博士論文
[1]協同過濾推薦算法的關鍵性問題研究[D]. 黃山山.山東大學 2016
[2]客戶協同產品創(chuàng)新中沖突協調與消解的關鍵技術研究[D]. 王小磊.重慶大學 2010
碩士論文
[1]基于譜聚類SM算法的協同過濾推薦算法研究[D]. 陳清華.江西農業(yè)大學 2018
[2]基于BP神經網絡的改進協同過濾推薦算法[D]. 溫錦雄.華南理工大學 2018
[3]面向稀疏數據的個性化推薦算法研究[D]. 朱金棟.北京郵電大學 2018
[4]基于AP聚類算法的推薦系統(tǒng)研究[D]. 于潤杰.河北大學 2017
[5]一種基于用戶信任度的改進協同過濾算法研究與實現[D]. 曾一飛.湖南大學 2017
[6]基于協同過濾和雷達圖法的信息運維技能培訓平臺研究[D]. 徐鵬飛.東北電力大學 2017
[7]新型協同過濾推薦算法研究[D]. 李歡.安徽大學 2017
[8]基于深度學習的圖像識別方法研究與應用[D]. 文馗.華中師范大學 2017
[9]面向稀疏性數據的協同過濾推薦算法的研究[D]. 云祥富.吉林大學 2017
[10]中國移動互聯網渠道建設策略研究[D]. 朱曉鳴.浙江工業(yè)大學 2017
本文編號：3380359
【文章來源】：江西農業(yè)大學江西省
【文章頁數】：61 頁
【學位級別】：碩士
【部分圖文】：
協同過濾層次結構圖
個性化推薦服務已經成為現今網絡服務的主要形式。面對眼花繚亂的商品，顧客往往不知所措，盲目的進入到商品的海洋里尋找自己想要的東西，而瀏覽大量無關的商品信息會消磨客戶購物的耐心，從而導致潛在交易的失敗，也無形中給平臺以及商家?guī)頁p失。這個時候如果有一個優(yōu)質的推薦系統(tǒng)可以根據用戶的興趣愛好、購買或消費記錄等信息進行具有針對性的服務是不是能更大程度上促成交易的成功呢，個性化推薦系統(tǒng)（Personalized Recommendation System）正是基于這樣的背景下產生的，個性化推薦系統(tǒng)又稱為信息過濾系統(tǒng)，它不但能夠為客戶過濾掉大量無關信息，減輕用戶負擔，還能對客戶以往的瀏覽、購買記錄等信息進行數據挖掘，并以此來分析客戶的興趣愛好，向用戶推薦現在或將來他可能感興趣的商品及提出對應的信息建議等，從而將商品精準的推薦給用戶。個性化推薦系統(tǒng)主要有三大模塊組成：用戶建模模塊、推薦對象建模模塊、推薦算法模塊，其中最重要的要屬推薦算法模塊[17]。下圖為個性化推薦系統(tǒng)的模型框架圖，從圖中我們看到用戶提供自己的興趣愛好給系統(tǒng)，系統(tǒng)在獲取興趣愛好后建立用戶模型，通過融合推薦對象模型以及結合推薦算法，將計算出的對象推薦給用戶。
個性化推薦算法及相關技術他主流推薦算法基于內容的推薦算法于內容的推薦(Content-based Recommendation)是一種經典的推薦算法，算法于信息過濾和信息檢索領域，該算法根據用戶之前的興趣愛好資料以及已消數據信息去發(fā)現內容之間的關聯性，并以此來推薦與其過去喜歡項目相類似通俗的說，基于內容的推薦(Content-based Recommendation)就是分析用戶之過的商品，發(fā)現它們之間的聯系，以此來確定目標物品的屬性特征，來向用品。算法流程如圖 2.2 所示
【參考文獻】：
期刊論文
[1]改進粒子群優(yōu)化BP神經網絡糧食產量預測模型[J]. 宗宸生,鄭煥霞,王林山. 計算機系統(tǒng)應用. 2018(12)
[2]基于改進粒子群優(yōu)化BPAdaboost神經網絡的PM2.5濃度預測[J]. 李曉理,梅建想,張山. 大連理工大學學報. 2018(03)
[3]神經網絡的高反差圖像增強算法研究[J]. 梁康康,李濤. 計算機技術與發(fā)展. 2017(09)
[4]基于改進粒子群優(yōu)化算法的BP神經網絡在大壩變形分析中的應用[J]. 齊銀峰,譚榮建. 水利水電技術. 2017(02)
[5]雙重聚類的協同過濾算法在智能家居中的應用[J]. 胡磊,蔡紅霞,俞濤. 計算機技術與發(fā)展. 2017(02)
[6]Attribute Reduction with Rough Set in Context-Aware Collaborative Filtering[J]. HE Ming,REN Wanpeng. Chinese Journal of Electronics. 2017(05)
[7]基于用戶-項目的混合協同過濾算法[J]. 陳彥萍,王賽. 計算機技術與發(fā)展. 2014(12)
[8]基于天貓商城的推薦系統(tǒng)應用研究[J]. 楊凱,王瑾. 科技風. 2014(19)
[9]基于改進的雙極Slope One算法的農業(yè)信息推薦模型研究[J]. 張啟宇,宋瑤,陳英義,封文杰. 安徽農業(yè)科學. 2014(29)
[10]改進的QPSO-BP算法的鈾價格預測模型及應用[J]. 陳建宏,周漢陵,于鳳玲,楊珊. 計算機工程與應用. 2013(21)
博士論文
[1]協同過濾推薦算法的關鍵性問題研究[D]. 黃山山.山東大學 2016
[2]客戶協同產品創(chuàng)新中沖突協調與消解的關鍵技術研究[D]. 王小磊.重慶大學 2010
碩士論文
[1]基于譜聚類SM算法的協同過濾推薦算法研究[D]. 陳清華.江西農業(yè)大學 2018
[2]基于BP神經網絡的改進協同過濾推薦算法[D]. 溫錦雄.華南理工大學 2018
[3]面向稀疏數據的個性化推薦算法研究[D]. 朱金棟.北京郵電大學 2018
[4]基于AP聚類算法的推薦系統(tǒng)研究[D]. 于潤杰.河北大學 2017
[5]一種基于用戶信任度的改進協同過濾算法研究與實現[D]. 曾一飛.湖南大學 2017
[6]基于協同過濾和雷達圖法的信息運維技能培訓平臺研究[D]. 徐鵬飛.東北電力大學 2017
[7]新型協同過濾推薦算法研究[D]. 李歡.安徽大學 2017
[8]基于深度學習的圖像識別方法研究與應用[D]. 文馗.華中師范大學 2017
[9]面向稀疏性數據的協同過濾推薦算法的研究[D]. 云祥富.吉林大學 2017
[10]中國移動互聯網渠道建設策略研究[D]. 朱曉鳴.浙江工業(yè)大學 2017
本文編號：3380359
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3380359.html
