隨著互聯(lián)網(wǎng)信息呈現(xiàn)出爆發(fā)式增長,信息過載日益嚴(yán)重,人們使用傳統(tǒng)方式越來越難以找到目標(biāo)信息,推薦系統(tǒng)應(yīng)運而生。尤其以協(xié)同過濾算法為代表的推薦系統(tǒng)深受關(guān)注,協(xié)同過濾算法因其基于現(xiàn)實世界中“人以類聚、物以群分”的特征通過用戶評分信息從而為興趣相近的用戶產(chǎn)生個性化推薦服務(wù)。但是協(xié)同過濾算法受評分?jǐn)?shù)據(jù)稀疏性和冷啟動等問題限制,導(dǎo)致推薦精度不高。因此,本文針對協(xié)同過濾算法的瓶頸問題,主要做了以下工作。（1）提出一種基于用戶和項目的混合協(xié)同過濾推薦算法。該算法融合了基于用戶和基于項目的兩種協(xié)同過濾算法,主要對計算用戶間和項目間相似度的方法上做出改進(jìn),通過加入共同評分懲罰因子進(jìn)而緩解在相似度計算時對共同評分?jǐn)?shù)目不敏感的問題,進(jìn)而減小相似度計算的誤差。同時引入時間自適應(yīng)權(quán)重函數(shù)來解決用戶興趣飄逸問題,并在公開電影數(shù)據(jù)集Movie Lens對該算法進(jìn)行驗證,實驗結(jié)果表明,MAE值降低到0.71,評分預(yù)測的準(zhǔn)確度較協(xié)同過濾算法提升了5.7%。（2）提出一種融合卷積神經(jīng)網(wǎng)絡(luò)和矩陣分解的個性化推薦算法。使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶和項目的特征,通過提取關(guān)于用戶和項目的隱關(guān)系特征矩陣信息替換掉矩陣分解中的隱式特征矩陣... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同閾值δ對應(yīng)的MAE曲線圖

25圖3-2不同算法對應(yīng)的MAE曲線圖從表3-6和圖3-2可以看出，改進(jìn)后的協(xié)同過濾算法隨著近鄰數(shù)目k的增加，平均絕對誤差MAE逐漸減小，但當(dāng)k的值超過30時，MAE的基本上穩(wěn)定甚至?xí)晕⑸仙内厔�。這說明如果引入過多的近鄰用戶，不利于提高推薦質(zhì)量，因為這些近鄰用戶中可能存在過多與目標(biāo)用戶興趣不一致的用戶，使得推薦的準(zhǔn)確率下降。因此，選取合理的近鄰用戶數(shù)目，對推薦結(jié)果的準(zhǔn)確度影響是非常大的。實驗三：評分權(quán)重調(diào)節(jié)因子μ對混合協(xié)同過濾算法的影響。根據(jù)公式（3-5）分別得到MUser-CF算法、MItem-CF算法的預(yù)測評分，然后將兩個改進(jìn)的協(xié)同過濾算法得到的預(yù)測評分賦予一定的權(quán)重值，然后按照權(quán)重大小進(jìn)行線性加權(quán)運算，通過調(diào)整預(yù)測評分權(quán)重因子μ的大小使平均絕對誤差MAE降到最低來驗證MUser-MItem-CF混合協(xié)同過濾算法的有效性。由于μ的取值是從0到1，因此本實驗采用窮舉的方法，μ的值的選取采用步長為0.1從0到1。而具體的MAE隨著權(quán)重調(diào)節(jié)參數(shù)的變化情況如表3-7和圖3-3所示。

26表3-7MAE隨權(quán)重因子μ的變化結(jié)果μ/k102030500.10.7422620.7272810.7272750.7352750.20.7330700.7190450.7207560.7287560.30.7288380.7139120.71324260.72324260.40.7204820.7103930.7059460.7159460.50.7204870.7138160.70943820.71743820.60.7205970.7151320.7115430.7175430.70.7251890.7179460.71324260.7204120.80.7323560.72043820.7159460.7253210.90.7369210.7235430.7160820.7295101.00.7371010.7309440.7165430.730124圖3-3MAE隨權(quán)因子μ的變化曲線通過表3-7和圖3-3所示，當(dāng)μ的取值為0.4時。平均絕對誤差MAE最小，則說明在改進(jìn)的混合協(xié)同過濾MUser-MItem-CF中，MItem-CF算法要比MUser-CF算法占的比重要大。也驗證了MItem-CF算法預(yù)測的評分準(zhǔn)確度要優(yōu)于MUser-CF算法預(yù)測的評分。實驗四：不同模型性能的比較。通過實驗一、實驗三分別確定了共同評分懲罰因子δ和評分權(quán)重因子μ，在共同評分懲罰因子δ和評分權(quán)重因子μ確定的情況下，通過實驗來比較改進(jìn)的混合協(xié)同過濾算法（MUser-MItem-CF）和User-CF算法、Item-CF算法的性能，則對應(yīng)的平均絕對誤差MAE比較如表3-8和圖3-4所示。

【參考文獻(xiàn)】：
期刊論文
[1]用于個性化推薦的條件卷積隱因子模型[J]. 李南星,盛益強(qiáng),倪宏.  計算機(jī)工程. 2020(04)
[2]基于用戶評分差異性和相關(guān)性的協(xié)同過濾推薦算法[J]. 王勁松,蔡朝暉,李永凱,劉樹波.  計算機(jī)科學(xué). 2018(05)
[3]基于改進(jìn)用戶相似性度量和評分預(yù)測的協(xié)同過濾推薦算法[J]. 李昆侖,萬品哲,張德智.  小型微型計算機(jī)系統(tǒng). 2018(03)
[4]基于動態(tài)卷積概率矩陣分解的潛在群組推薦[J]. 王海艷,董茂偉.  計算機(jī)研究與發(fā)展. 2017(08)
[5]個性化信息推薦方法研究[J]. 姜信景,齊小剛,劉立芳.  智能系統(tǒng)學(xué)報. 2018(02)
[6]個性化推薦系統(tǒng)綜述[J]. 劉輝,郭夢夢,潘偉強(qiáng).  常州大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[7]基于人口統(tǒng)計學(xué)的改進(jìn)聚類模型協(xié)同過濾算法[J]. 王媛媛,李翔.  計算機(jī)科學(xué). 2017(03)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[9]基于用戶多屬性與興趣的協(xié)同過濾算法[J]. 趙文濤,王春春,成亞飛,孟令軍,趙好好.  計算機(jī)應(yīng)用研究. 2016(12)
[10]嵌入LDA主題模型的協(xié)同過濾推薦算法[J]. 高娜,楊明.  計算機(jī)科學(xué). 2016(03)

碩士論文
[1]深度協(xié)同過濾算法在推薦系統(tǒng)中的研究與應(yīng)用[D]. 崔軍磊.鄭州大學(xué) 2019
[2]基于混合協(xié)同過濾的個性化電影推薦系統(tǒng)研究[D]. 劉文佳.武漢理工大學(xué) 2018
[3]基于用戶動態(tài)偏好的異構(gòu)隱式反饋推薦算法研究[D]. 張恒.浙江大學(xué) 2017
[4]電影個性化推薦系統(tǒng)的研究與實現(xiàn)[D]. 賈忠濤.西南科技大學(xué) 2015
[5]基于時間效應(yīng)和用戶興趣變化的改進(jìn)推薦算法研究[D]. 孫光輝.北京郵電大學(xué) 2014



本文編號：3402916