隨著科學(xué)技術(shù)的不斷進(jìn)步,人們已經(jīng)開啟Web2.0時代,隨之而來的“信息過載”和“信息爆炸”問題也越來越嚴(yán)重,并且如電商平臺等以盈利為目的的網(wǎng)站,存在著經(jīng)濟(jì)學(xué)中“長尾理論”的現(xiàn)象,即80%的盈利來源于20%的熱門商品,但是剩下的80%商品擁有巨大的商業(yè)價值,如何將剩余的80%商品推薦給需要的人是解決這一問題的關(guān)鍵。海量的數(shù)據(jù)使人們需要花費(fèi)大量的時間和精力去尋找自己所需要的信息,而推薦系統(tǒng)的出現(xiàn)大大地緩解了這一難題。推薦系統(tǒng)通過收集用戶的歷史行為或者用戶的興趣偏好經(jīng)過推薦算法的計算來產(chǎn)生用戶可能感興趣的項目列表,在人們沒有明確目的或者目的模糊的情況下,推送給用戶可能需要的信息。但是推薦系統(tǒng)仍然存在著新用戶或者新項目的冷啟動問題、準(zhǔn)確率問題以及大數(shù)據(jù)下實時性的問題。本文作者通過大量閱讀、收集整理推薦系統(tǒng)相關(guān)知識,較為全面地介紹了推薦系統(tǒng)的基本理論知識,闡述了論文的研究意義和國內(nèi)外的研究現(xiàn)狀,針對現(xiàn)有推薦算法中的某些問題與不足進(jìn)行了探究。本文的主要研究成果如下:首先,針對現(xiàn)有基于時間上下文的推薦算法僅考慮記憶遺忘曲線對用戶興趣變化的影響,而沒有將物品以及用戶本身具有的時間屬性考慮到對用戶興趣的... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．?３部分爬取到包含時間上下文的電影信息??

％??５００?３４．５９％?３６．７２％?３６．５１％?３６．１３％?３６．４２％?３５．２４％?３４．５３％??３９．００９＊???????????３Ｓ．ＯＯ？＾???３．００．??Ｌ＾－－ｒ???３５．〇〇＾?＾?—Ｉ?Ｉ??３４?Ｏ〇＾￡．?Ｈ??ｍ?５００??３—量：罷－賺?漏一隱－－－??３?！．００？？￡．?－Ｉ￣￣＾￣￣＾￣＾＾￣＾￣＾＾＿，??ｌＯ?２０?３０?５０?＆０?７０??圖３．?４隨機(jī)選取若干數(shù)據(jù)在Ｎ值下的準(zhǔn)確率柱狀圖??Ｆｉｇ．?３．４?ａｃｃｕｒａｃｙ?ｃｕｒｖｅ?ｏｆ?ｒａｎｄｏｍｌｙ?ｓｅｌｅｃｔｅｄ?ｄａｔａ?ｕｎｄｅｒ?ｎ?ｖａｌｕｅ??－３２－??

，候選電影推薦優(yōu)先級列表???Ｖ???＾?ｕｐｄａｔｅｄ?Ｒｅｃｏｍｍｅｎｄｓ?ｙ???＾???函數(shù)：ｍｅｒｇｅ２ＮｅｗＲｅｃｏｍｍｅｎｄ??輸入：Ａｒｒａｙ，ｕｐｄａｔｅＲｅｃｏｍｍｅｎｄｓ；??Ａｒｒａｙ，ｒｅｃｅｎｔＲｅｃｏｍｍｅｎｔ?＾?廣?￣?￣Ｔ＼??主體：根據(jù)每個電影的推薦優(yōu)先級合并上ＫｒｅｃｅｎｔＲｅｃｏｍｍｅｎｄｓＪ??次推薦列表與本次候選集并選出前Ｋ項??輸出：Ａｒｒａｙ，用戶的新推薦????Ｔ???Ｑ?新推＃結(jié)！?）??圖５．?２實時推薦的具體計算過程??Ｆｉｇ．?５．２?Ｔｈｅ?ｓｐｅｃｉｆｉｃ?ｃａｌｃｕｌａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｒｅａｌ－ｔｉｍｅ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ??－４９－??

【參考文獻(xiàn)】：
期刊論文
[1]基于多比特量化的哈希方法[J]. 汪曙光,蘇亮亮,王琨,唐俊.  傳感器與微系統(tǒng). 2018(12)
[2]基于迭代主成分分析的哈希算法研究與實現(xiàn)[J]. 李志韓,王洪亞.  智能計算機(jī)與應(yīng)用. 2018(04)
[3]基于信任和矩陣分解的協(xié)同過濾推薦算法[J]. 鄭鵬,王應(yīng)明,梁薇.  計算機(jī)工程與應(yīng)用. 2018(13)
[4]自適應(yīng)多位編碼量化的哈希圖像檢索方法[J]. 徐思雨,蔡佳妮,祝繼華,王佳星,欒婷婷,龐善民.  西安交通大學(xué)學(xué)報. 2017(08)
[5]融合主題模型和協(xié)同過濾的多樣化移動應(yīng)用推薦[J]. 黃璐,林川杰,何軍,劉紅巖,杜小勇.  軟件學(xué)報. 2017(03)
[6]基于用戶興趣和社交信任的聚類推薦算法[J]. 肖曉麗,錢婭麗,李旦江,譚柳斌.  計算機(jī)應(yīng)用. 2016(05)
[7]大數(shù)據(jù)哈希學(xué)習(xí):現(xiàn)狀與趨勢[J]. 李武軍,周志華.  科學(xué)通報. 2015(Z1)
[8]上下文感知推薦系統(tǒng)[J]. 王立才,孟祥武,張玉潔.  軟件學(xué)報. 2012(01)

碩士論文
[1]基于深度協(xié)同過濾與多模態(tài)分析的旅游景點推薦系統(tǒng)研究[D]. 朱濤.華東交通大學(xué) 2019
[2]基于用戶興趣變化和排序的個性化推薦[D]. 趙春秀.大連海事大學(xué) 2018
[3]基于上下文感知的推薦算法研究[D]. 張路遙.長沙理工大學(xué) 2017
[4]基于哈希算法的高維數(shù)據(jù)的最近鄰檢索[D]. 林悅.浙江大學(xué) 2013



本文編號：3329102