隨著信息技術和互聯(lián)網(wǎng)的快速發(fā)展,以此產生的數(shù)據(jù)量呈指數(shù)級別增長,信息過載問題日益嚴重,人們很難從海量的信息中找到自己真正感興趣的東西。個性化推薦技術,能夠根據(jù)用戶的年齡性別等社會化屬性,歷史行為等顯性或隱性信息,采用多種推薦算法,主動為用戶做出推薦,幫助用戶進行決策。憑借其強大的信息推送能力,個性化推薦受到了傳播學界的廣泛關注。但是目前學界對于個性化推薦的研究多集中于其影響機制,對于個性化推薦算法本身的介紹很少,更沒有優(yōu)化其性能表現(xiàn)的推薦改進研究,推薦算法完全處于“黑箱”之中。本文首先對個性化推薦的主要算法進行了詳細的文字描述和公式說明,并指出各自的優(yōu)缺點以及適用場景:第一,用戶相似度的計算上,如何引入新的特征屬性來進行衡量,使得用戶的近鄰更加的準確;第二,熱門物品的干擾性,采用什么樣的策略能夠對熱門物品進行懲罰;第三,用戶-物品評分矩陣的稀疏性問題。針對上述的問題,本文在過去的協(xié)同過濾算法的基礎上,提出了新的改進方式,包括基于社群關系的信任模型,來提高用戶相似度計算的準確性,從而改善個性化推薦的效果。最后本文改進的算法模型在豆瓣讀書數(shù)據(jù)集上進行了實驗,通過實驗結果的對比說明了改進的協(xié)...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
一 緒論
    (一)研究背景及意義
        1 研究背景
        2 研究意義
    (二)國內外研究現(xiàn)狀
        1 基于協(xié)同過濾推薦算法研究現(xiàn)狀
            (1)基于記憶的協(xié)同過濾算法
            (2)基于模型的推薦算法
        2 基于內容的推薦算法研究現(xiàn)狀
        3 混合推薦算法研究現(xiàn)狀
        4 小結
    (三)研究方法
        1 計算機工程法
            (1)網(wǎng)絡爬蟲
            (2)算法實現(xiàn)
        2 數(shù)學建模法
        3 實驗對照法
    (四)論文的內容與結構
        1 論文的主要內容
        2 論文的結構安排
二 個性化推薦及相關算法
    (一)個性化推薦概述
    (二)個性化推薦系統(tǒng)的主要應用領域
        1 電子商務
        2 電影和視頻網(wǎng)站
        3 音樂
        4 新聞閱讀
        5 社交媒體
    (三)個性化推薦相關算法
        1 基于內容的推薦
        2 協(xié)同過濾推薦算法
            (1)基于記憶的推薦
            (2)基于模型的推薦
        3 混合推薦算法
三 基于網(wǎng)絡社群的信任關系以及熱門物品懲罰改進的協(xié)同過濾算法研究
    (一)傳統(tǒng)的協(xié)同過濾算法存在的問題
        1 數(shù)據(jù)稀疏性
        2 冷啟動
        3 可擴展性
    (二)改進的協(xié)同過濾算法模型
        1 理論基礎
            (1)網(wǎng)絡社群與身份認同
            (2)身份認同與信任
            (3)信任與相似度的關系
        2 改進的思路
        3 改進的基于網(wǎng)絡社群的信任關系和熱門懲罰的算法模型
四 實驗設計及結果分析
    (一)數(shù)據(jù)集及數(shù)據(jù)集獲取
        1 實驗數(shù)據(jù)集概述
        2 實驗數(shù)據(jù)集選取
    (二)算法在數(shù)據(jù)集上的評測指標
        1 準確率
        2 精確率與召回率
        3 覆蓋率
        4均方根誤差(RMSE)和平均絕對誤差(MAE)
    (三)實驗環(huán)境
        1 硬件配置
        2 軟件配置
    (四)實驗方案
    (五)實驗結果分析
五 總結與展望
    (一)全文總結
        1 本文的創(chuàng)新點如下
            (1)改進了傳統(tǒng)的協(xié)同過濾算法用戶相似度的計算方法
            (2)使用新穎、真實、更加落地的數(shù)據(jù)集
        2 本文不足
            (1)有限的解決數(shù)據(jù)稀疏性的問題
            (2)算法在數(shù)據(jù)集上的提升幅度不大
    (二)未來展望
附錄
致謝
參考文獻



本文編號：3734960