隨著我國互聯(lián)網(wǎng)的迅速普及以及網(wǎng)絡(luò)用戶的迅猛增加,使得網(wǎng)上信息量呈爆炸式增長,人們在茫茫信息中很難找到自己想要獲取的內(nèi)容。為了解決此類問題,個性化推薦系統(tǒng)應(yīng)用而生。其通過收集用戶的日常瀏覽行為,建立相關(guān)算法模型來挖掘出用戶的真正喜好。其中推薦系統(tǒng)的核心內(nèi)容就是推薦算法。協(xié)同過濾推薦算法是當(dāng)前推薦系統(tǒng)中應(yīng)用最為廣泛,技術(shù)最為成熟的推薦算法之一。然而隨著數(shù)據(jù)量的增加,應(yīng)用規(guī)模的增大,傳統(tǒng)的推薦算法也暴露出許多不足之處,例如數(shù)據(jù)量急劇擴(kuò)充使得數(shù)據(jù)變得極具稀疏,從而影響了推薦的準(zhǔn)確性。因此,針對傳統(tǒng)的協(xié)同過濾推薦算法存在的這些問題,本文提出了一種基于用戶興趣變化和評分差異的個性化推薦算法。本文主要的研究工作如下:(1)用戶和項(xiàng)目數(shù)量的急劇擴(kuò)充,使得評分矩陣變得異常稀疏,從而影響了推薦算法的準(zhǔn)確性。針對這個問題,改進(jìn)傳統(tǒng)的slope one算法進(jìn)行用戶評分矩陣填充。首先對用戶進(jìn)行k-means聚類,然后在目標(biāo)用戶類簇中進(jìn)行項(xiàng)目評分差的計(jì)算;其次對目標(biāo)項(xiàng)目預(yù)測評分時,充分考慮到了項(xiàng)目之間影響力差異和項(xiàng)目相似性,最后對矩陣完成填充。實(shí)驗(yàn)證明,這種改進(jìn)算法有效緩解了數(shù)據(jù)稀疏性和提高了填充質(zhì)量。(2)以往的推薦算法常常僅利用評分信息,使得推薦結(jié)果的準(zhǔn)確性偏低。針對這個問題,提出融合用戶興趣和評分差異的協(xié)同過濾推薦算法。首先,將TF-IDF思想運(yùn)用到用戶對標(biāo)簽的權(quán)重計(jì)算中,同時為了洞悉用戶興趣變化,通過指數(shù)衰減函數(shù)和時間窗口相結(jié)合的方式來加以捕捉;其次,根據(jù)歷史評分矩陣,充分考慮用戶評分值差異,評判準(zhǔn)則差異,影響力差異和項(xiàng)目影響差異影響因子,定義了一種評分差異相似性度量算法;最后將用戶興趣相似性和評分差異相似性進(jìn)行加權(quán)融合,獲取更加準(zhǔn)確的用戶鄰居,使得對目標(biāo)項(xiàng)目評分預(yù)測更加準(zhǔn)確,實(shí)驗(yàn)表明,提出的算法提高了推薦質(zhì)量。(3)將以上的兩種算法進(jìn)行順序組合,提出了基于用戶興趣變化和評分差異的個性化推薦算法。在設(shè)計(jì)的融合用戶興趣和評分差異的協(xié)同過濾推薦算法中有一部分?jǐn)?shù)據(jù)用到了用戶評分,這部分?jǐn)?shù)據(jù)存在著數(shù)據(jù)稀疏性問題,因此在計(jì)算之前,根據(jù)改進(jìn)的slope one算法對這部分?jǐn)?shù)據(jù)進(jìn)行了擴(kuò)充,最后通過數(shù)據(jù)集Movielens的實(shí)驗(yàn)表明,相比較于數(shù)據(jù)填充之前提出的算法有效的提高了推薦的準(zhǔn)確度。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.3
【部分圖文】：

基于項(xiàng)目推薦Figure2-5Project-basedrecommendation

中北大學(xué)學(xué)位論文30實(shí)驗(yàn)中我們可以看到隨著K值的增加MAE值逐漸降低，當(dāng)K=6時，MAE值最低，然后隨著K值的增加，MAE值又逐漸升高，因此我們認(rèn)為當(dāng)聚類個數(shù)K=6時，聚類效果最好。圖3-1不同聚類數(shù)目對應(yīng)的MAE值Figure3-1MAEvaluescorrespondingtodifferentclusternumbers實(shí)驗(yàn)2設(shè)置聚類K=6后，我們設(shè)置了兩種算法對兩種填充方式進(jìn)行效果的驗(yàn)證。第一種算法利用本章改進(jìn)的slopeone推薦算法(ISO)對原始稀疏數(shù)據(jù)進(jìn)行擴(kuò)充即矩陣填充，利用基于用戶的協(xié)同過濾推薦算法（UBCF）對這種填充方式效果進(jìn)行驗(yàn)證（ISOUBCF）。第二種算法利用slopeone推薦算法(SO)對原始稀疏數(shù)據(jù)進(jìn)行擴(kuò)充即矩陣填充，之后同樣利用UBCF算法對這種填充方式效果進(jìn)行驗(yàn)證（SOUBCF）。從實(shí)驗(yàn)中可以看出，兩種算法都隨著近鄰數(shù)目N的增加MAE值逐漸變小，但是ISOUBCF的MAE值始終小于SOUBCF的MAE值，由此可以得到結(jié)論，通過ISO算法填充的用戶項(xiàng)目評分矩陣比通過SO算法填充的矩陣效果要好。

中北大學(xué)學(xué)位論文31圖3-2兩種算法對應(yīng)的MAE值Figure3-2MAEvaluescorrespondingtothetwoalgorithms3.5本章小結(jié)針對傳統(tǒng)的slopeone推薦算法在計(jì)算時沒有考慮到不同項(xiàng)目類型會影響項(xiàng)目評分差計(jì)算，沒有考慮到不同項(xiàng)目之間它們的影響力不同以及在計(jì)算項(xiàng)目評分差時利用到的是全體用戶造成計(jì)算誤差，而提出了一種改進(jìn)的slopeone推薦算法。首先對用戶做k-means聚類處理，以此為依據(jù)，在計(jì)算項(xiàng)目評分差時，利用的不再是全體用戶，而是背景信息相似的用戶集來減少無關(guān)用戶引起的計(jì)算誤差；然后，通過計(jì)算兩個項(xiàng)目共同評價人數(shù)和評價過這兩個項(xiàng)目的人數(shù)之比來確定項(xiàng)目之間影響力，根據(jù)項(xiàng)目的類型矩陣通過歐氏距離來衡量兩個項(xiàng)目之間的相似度，在預(yù)測評分時加權(quán)處理，對稀疏數(shù)據(jù)進(jìn)行擴(kuò)充。從實(shí)驗(yàn)結(jié)果可以看到，改進(jìn)的算法不僅提高了預(yù)測評分的準(zhǔn)確度，而且解決了稀疏性問題。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 任看看;錢雪忠;;協(xié)同過濾算法中的用戶相似性度量方法研究[J];計(jì)算機(jī)工程;2015年08期

2 張邦佐;桂欣;何濤;孫煥垚;楊晟雨;韓宇茹;;一種融合異構(gòu)信息網(wǎng)絡(luò)和評分矩陣的推薦新算法[J];計(jì)算機(jī)研究與發(fā)展;2014年S2期

3 張艷梅;王璐;;適應(yīng)用戶興趣變化的社會化標(biāo)簽推薦算法研究[J];計(jì)算機(jī)工程;2014年11期

4 倪霓;羅毅;;關(guān)于視頻推薦系統(tǒng)數(shù)據(jù)處理方法的分析[J];軟件;2014年02期

5 李想;周良;;基于用戶語義相似性的協(xié)同過濾推薦算法[J];機(jī)械設(shè)計(jì)與制造工程;2013年01期

6 涂金龍;涂風(fēng)華;;一種綜合標(biāo)簽和時間因素的個性化推薦方法[J];計(jì)算機(jī)應(yīng)用研究;2013年04期

7 黃正;;協(xié)同過濾推薦算法綜述[J];價值工程;2012年21期

8 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[J];計(jì)算機(jī)學(xué)報;2010年08期

9 張鋒;孫雪冬;常會友;趙淦森;;兩方參與的隱私保護(hù)協(xié)同過濾推薦研究[J];電子學(xué)報;2009年01期

10 吳一帆;王浩然;;結(jié)合用戶背景信息的協(xié)同過濾推薦算法[J];計(jì)算機(jī)應(yīng)用;2008年11期

相關(guān)碩士學(xué)位論文 前1條

1 孫望;基于聚類與用戶興趣偏好的協(xié)同過濾推薦技術(shù)研究[D];北京工業(yè)大學(xué);2017年

本文編號：2863509