互聯(lián)網(wǎng)的快速發(fā)展在給人帶來(lái)便利的同時(shí),也產(chǎn)生了大量的數(shù)據(jù)冗余,如何在大量數(shù)據(jù)中檢索到用戶(hù)需要的數(shù)據(jù)以及給用戶(hù)精準(zhǔn)推薦是目前所面臨的問(wèn)題。推薦系統(tǒng)其作為信息過(guò)濾的有效手段,逐漸成為計(jì)算機(jī)學(xué)術(shù)和應(yīng)用領(lǐng)域的熱門(mén)研究對(duì)象,在互聯(lián)網(wǎng)系統(tǒng)中被廣泛地使用。傳統(tǒng)的推薦算法被劃分為基于用戶(hù)的推薦算法和基于項(xiàng)目的推薦算法,而協(xié)同過(guò)濾推薦算法作為經(jīng)典的基于用戶(hù)的推薦算法被廣泛應(yīng)用,但是依然面對(duì)諸如推薦效率低、矩陣稀疏、用戶(hù)異常值、事務(wù)多分類(lèi)等問(wèn)題。因此本文針對(duì)傳統(tǒng)的協(xié)同過(guò)濾算法進(jìn)行深入研究,從評(píng)分矩陣的修正和多維屬性?xún)蓚�(gè)方面進(jìn)行改進(jìn),利用評(píng)分矩陣的修正,解決傳統(tǒng)算法中關(guān)于用戶(hù)最近鄰搜索困難、用戶(hù)異常值以及多維事務(wù)推薦等問(wèn)題。本文的工作如下:（1）本文在傳統(tǒng)算法的基礎(chǔ)上針對(duì)協(xié)同過(guò)濾算法推薦效率低、矩陣稀疏、用戶(hù)異常值等問(wèn)題,提出修正評(píng)分的協(xié)同過(guò)濾算法。算法首先通過(guò)聚類(lèi)提高用戶(hù)最近鄰的搜索效率,針對(duì)傳統(tǒng)算法中加權(quán)評(píng)分無(wú)法解決異常值問(wèn)題,本文提出修正評(píng)分作為衡量指標(biāo)以解決用戶(hù)異常值對(duì)于推薦算法精度的干擾。由于傳統(tǒng)算法僅考慮了用戶(hù)與用戶(hù)之間的相關(guān)性,沒(méi)有考慮事務(wù)與事務(wù)之間的關(guān)聯(lián),在給用戶(hù)進(jìn)行推薦時(shí)導(dǎo)致推薦結(jié)果失真。... 

【文章來(lái)源】：西北師范大學(xué)甘肅省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-3層次聚類(lèi)模型

第3章修正評(píng)分的協(xié)同過(guò)濾算法19協(xié)同聚類(lèi)組以后再通過(guò)采用pearson相關(guān)系數(shù)對(duì)相應(yīng)的用戶(hù)聚類(lèi)組進(jìn)行協(xié)同過(guò)濾,得到符合條件的用戶(hù)推薦聚類(lèi)組。由于我們傳統(tǒng)的用戶(hù)協(xié)同過(guò)濾的算法只是考慮到了商品與用戶(hù)組間的關(guān)聯(lián)而完全忽略了推薦商品與其他商品間的關(guān)聯(lián),導(dǎo)致推薦商品精度的不足以及異常值的問(wèn)題。本文結(jié)合加權(quán)評(píng)分和關(guān)聯(lián)規(guī)則中的置信規(guī)則提出修正評(píng)分的協(xié)同過(guò)濾算法，以更好地保證協(xié)同過(guò)濾算法推薦的精度。本文算法將用戶(hù)-商品購(gòu)買(mǎi)記錄的商品權(quán)重作為原始數(shù)據(jù)，把整個(gè)推薦過(guò)程分為以下幾個(gè)步驟：1）數(shù)據(jù)預(yù)處理：對(duì)用戶(hù)的商品數(shù)據(jù)字符重編碼，并對(duì)應(yīng)用戶(hù)的商品權(quán)重。2）用戶(hù)聚類(lèi)：利用k-means聚類(lèi)對(duì)用戶(hù)購(gòu)買(mǎi)行為數(shù)據(jù)進(jìn)行聚類(lèi)，得到用戶(hù)聚類(lèi)組。3）協(xié)同過(guò)濾，計(jì)算聚類(lèi)組中目標(biāo)用戶(hù)和其他用戶(hù)之間的相關(guān)系數(shù)，構(gòu)建推薦組。4）考慮商品—商品的關(guān)聯(lián)，推薦組中計(jì)算目標(biāo)用戶(hù)對(duì)商品的加權(quán)評(píng)分以及商品—商品的置信度，用新的衡量指標(biāo)：修正評(píng)分，對(duì)商品進(jìn)行推薦。5）產(chǎn)生推薦結(jié)果：對(duì)商品修正評(píng)分降序排列推薦給目標(biāo)用戶(hù)3.2.1數(shù)據(jù)預(yù)處理下圖是某電商平臺(tái)某用戶(hù)購(gòu)物頁(yè)面截圖，包含用戶(hù)個(gè)人購(gòu)物信息，為了給用戶(hù)更精準(zhǔn)推薦感興趣的商品以及讓數(shù)據(jù)更加直觀(guān)，我們需要對(duì)用戶(hù)-商品信息進(jìn)行沖編碼，用戶(hù)重編過(guò)程以及結(jié)果如表3-1所示。圖3-1用戶(hù)-商品原始數(shù)據(jù)圖用戶(hù)-商品數(shù)據(jù)按字符格式重編碼，字母u組合不同數(shù)字表示不同用戶(hù)。字母

西北師范大學(xué)碩士學(xué)位論文30事務(wù)多分類(lèi)問(wèn)題，我們無(wú)法采用修正評(píng)分很好的衡量推薦結(jié)果，因此在本章在修正評(píng)分的基礎(chǔ)上結(jié)合事物多屬性分類(lèi)問(wèn)題提出事務(wù)多劃分策略。圖4-1動(dòng)作類(lèi)電影數(shù)據(jù)集圖4-2科幻類(lèi)電影數(shù)據(jù)集

【參考文獻(xiàn)】：
期刊論文
[1]修正評(píng)分的協(xié)同過(guò)濾算法[J]. 賈俊杰,余欽科.  小型微型計(jì)算機(jī)系統(tǒng). 2019(12)
[2]基于用戶(hù)特征的協(xié)同過(guò)濾推薦算法[J]. 蔣宗禮,于莉.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(08)
[3]基于協(xié)同過(guò)濾的多維度電影推薦方法研究[J]. 張家鑫,劉志勇,張琳,張倩,莎仁.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]基于信任聚類(lèi)的協(xié)同過(guò)濾推薦算法[J]. 王菲,黃剛,朱崢宇.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(05)
[5]基于多維度用戶(hù)相似性度量的協(xié)同過(guò)濾推薦算法[J]. 王明佳,韓景倜.  統(tǒng)計(jì)與決策. 2018(09)
[6]網(wǎng)絡(luò)大數(shù)據(jù):現(xiàn)狀與展望[J]. 李慕白.  信息通信. 2018(01)
[7]基于均值預(yù)估的協(xié)同過(guò)濾推薦算法改進(jìn)[J]. 蔣宗禮,王威,陸晨.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(05)
[8]一種解決新項(xiàng)目冷啟動(dòng)問(wèn)題的推薦算法[J]. 于洪,李俊華.  軟件學(xué)報(bào). 2015(06)
[9]面向新讀者和新圖書(shū)的數(shù)字圖書(shū)館個(gè)性推薦冷啟動(dòng)問(wèn)題研究[J]. 凌霄娥,周兵,李克潮.  情報(bào)理論與實(shí)踐. 2014(08)
[10]基于網(wǎng)絡(luò)和標(biāo)簽的混合推薦算法[J]. 張新猛,蔣盛益,李霞,張倩生.  計(jì)算機(jī)工程與應(yīng)用. 2015(01)

博士論文
[1]協(xié)同過(guò)濾推薦系統(tǒng)關(guān)鍵問(wèn)題研究[D]. 孔維梁.華中師范大學(xué) 2013

碩士論文
[1]基于聚類(lèi)的協(xié)同過(guò)濾推薦算法研究[D]. 陳傳瑜.廣東工業(yè)大學(xué) 2016
[2]基于聚類(lèi)的協(xié)同過(guò)濾個(gè)性化推薦算法研究[D]. 袁利.華中師范大學(xué) 2014



本文編號(hào)：2999524