隨著信息與互聯(lián)網(wǎng)技術(shù)及其應(yīng)用的不斷發(fā)展,不僅數(shù)據(jù)量呈爆炸式增長,數(shù)據(jù)結(jié)構(gòu)也越來越復(fù)雜。面對“信息過載”帶來的難以對所需信息進(jìn)行分析判斷與選擇利用等負(fù)面影響,人們在搜索引擎的基礎(chǔ)上,便引入基于個性化推薦的信息過濾技術(shù)。在諸多的個性化推薦中,以協(xié)同過濾推薦算法最為常用,而其中尤以隱語義模型協(xié)同過濾推薦算法最為典型。但隱語義模型在評分矩陣分解降維的過程中,會有部分隱含特征信息丟失,從而影響推薦的準(zhǔn)確性。因此,依據(jù)相似傳遞性,建立基于（用戶與項(xiàng)目）屬性相似隱語義模型,以彌補(bǔ)丟失的部分隱含特征信息。另外,不同的協(xié)同過濾推薦算法具有不同的優(yōu)勢和缺陷,又依據(jù)數(shù)據(jù)可比融合性,建立基于方差和最小變權(quán)融合模型,以平衡不同協(xié)同過濾推薦算法對評分矩陣特征提取的差異性。以基于屬性相似隱語義模型和基于方差和最小變權(quán)融合模型為基礎(chǔ),提出“基于屬性相似隱語義模型及其變權(quán)融合協(xié)同過濾推薦算法”。本論文通過辯識協(xié)同過濾推薦算法的國內(nèi)外研究歷史現(xiàn)狀和課題研究的意義依據(jù),構(gòu)建了課題研究的目標(biāo)內(nèi)容與技術(shù)路線;進(jìn)而討論個性化推薦的基本知識,分析基于隱語義模型等協(xié)同過濾推薦算法和融合推薦算法的基本思想、技術(shù)結(jié)構(gòu)和過程方法。由此開展... 

【文章來源】：江西師范大學(xué)江西省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

α=0.009、μ=0.03、K=30時預(yù)測準(zhǔn)確度與F的關(guān)系

基于屬性相似隱語義變權(quán)融合協(xié)同過濾推薦算法研究57圖5-2α=0.009、μ=0.03、K=30時預(yù)測關(guān)聯(lián)度與F的關(guān)系5.2.2控制參數(shù)F對實(shí)驗(yàn)結(jié)果影響分析1.隱含特征數(shù)F對算法預(yù)測準(zhǔn)確度的影響由圖5-1可以看出，普遍來說傳統(tǒng)LFM隱語義模型算法的準(zhǔn)確度最低，而AS_LFM、Fas_LFM2、Fas_LFM1一定程度均有著較好的準(zhǔn)確度。AS_LFM的準(zhǔn)確度，在F值小于30時預(yù)測準(zhǔn)確度急劇上升，當(dāng)F大于或等于30時，AS_LFM準(zhǔn)確度仍然不斷增加，到F=80才逐漸收斂，對Fas_LFM1、Fas_LFM2也是一樣，前期隨著F增大而準(zhǔn)確度增大，但當(dāng)F大于或等于200時，F(xiàn)as_LFM1和Fas_LFM2才逐漸收斂。2.隱含特征數(shù)F對算法預(yù)測關(guān)聯(lián)度的影響由圖5-2可以看到隨著F隱含特征數(shù)增加，AS_LFM、Fas_LFM1、Fas_LFM2的預(yù)測相關(guān)度也逐漸增加，基本與預(yù)測準(zhǔn)確度趨勢相似，傳統(tǒng)LFM隱語義模型預(yù)測關(guān)聯(lián)度變化幅度不大，而AS_LFM、Fas_LFM1、Fas_LFM2隨著F隱含特征數(shù)增加而預(yù)測相關(guān)度也不斷增大，AS_LFM當(dāng)F大于等于80時，逐漸開始收斂，而Fas_LFM1和Fas_LFM2在當(dāng)F大于等于90時，逐漸開始收斂。5.2.3實(shí)驗(yàn)結(jié)果的算法性能分析1．算法預(yù)測準(zhǔn)確度比較分析由圖5-1可以看出，隨著F值的變化，傳統(tǒng)隱語義模型改變不大，只是隨著F值的增大，準(zhǔn)確度上升。當(dāng)F小于30時，AS_LFM由于包含用戶屬性和物

【參考文獻(xiàn)】：
期刊論文
[1]Hybrid Recommender System Incorporating Weighted Social Trust and Item Tags[J]. ZHU Wenqiang.  Wuhan University Journal of Natural Sciences. 2020(02)
[2]融合項(xiàng)目和用戶隱式反饋的個性化推薦系統(tǒng)[J]. 李昆侖,蘇華仃,戎靜月.  小型微型計(jì)算機(jī)系統(tǒng). 2020(03)
[3]融合關(guān)系挖掘與協(xié)同過濾的物品冷啟動推薦算法[J]. 任永功,石佳鑫,張志鵬.  模式識別與人工智能. 2020(01)
[4]基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)研究[J]. 張敏軍,華慶一,賈偉,陳銳,姬翔.  西南大學(xué)學(xué)報(自然科學(xué)版). 2019(11)
[5]基于改進(jìn)的矩陣分解模型在推薦系統(tǒng)中的應(yīng)用[J]. 宋瑞雪,李國勇.  計(jì)算機(jī)應(yīng)用. 2019(S1)
[6]一種電影推薦模型:解決冷啟動問題[J]. 劉春霞,陸建波,武玲梅.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[7]融合似然比相似度的協(xié)同過濾推薦算法研究[J]. 王嶸冰,徐紅艷,馮勇,郭浩.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[8]用戶興趣變化和類別關(guān)聯(lián)度的混合推薦算法[J]. 陳海龍,謝晟,薛宇彤.  計(jì)算機(jī)應(yīng)用研究. 2019(02)
[9]融合用戶屬性的隱語義模型推薦算法[J]. 巫可,戰(zhàn)蔭偉,李鷹.  計(jì)算機(jī)工程. 2016(12)
[10]基于用戶偏好和項(xiàng)目屬性的協(xié)同過濾推薦算法[J]. 姚平平,鄒東升,牛寶君.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(07)

博士論文
[1]基于協(xié)同過濾技術(shù)的推薦方法研究[D]. 郁雪.天津大學(xué) 2009

碩士論文
[1]基于用戶聚類和隱語義模型的協(xié)同過濾推薦研究[D]. 梅剛.海南大學(xué) 2018
[2]基于SVD的推薦系統(tǒng)研究及其應(yīng)用[D]. 王燕.太原理工大學(xué) 2017
[3]新型協(xié)同過濾推薦算法研究[D]. 李歡.安徽大學(xué) 2017
[4]基于SVD與SVM混合推薦的電影推薦系統(tǒng)的研究[D]. 薄慧麗.太原理工大學(xué) 2017
[5]大數(shù)據(jù)環(huán)境下隱語義模型推薦算法的改進(jìn)與實(shí)現(xiàn)[D]. 杜春河.華南理工大學(xué) 2017
[6]基于SVD的協(xié)同過濾推薦算法研究[D]. 陳清浩.西南交通大學(xué) 2015
[7]基于在線快速學(xué)習(xí)隱語義模型的個性化新聞推薦[D]. 周磊.南京郵電大學(xué) 2015
[8]混合推薦算法的研究[D]. 宋瑞平.蘭州大學(xué) 2014



本文編號：2909203