互聯(lián)網(wǎng)的快速發(fā)展讓人們進(jìn)入了信息過載時代,用戶在網(wǎng)絡(luò)上尋找信息猶如大海撈針一般,而推薦系統(tǒng)則可以主動為用戶推薦其感興趣的信息,作為推薦系統(tǒng)的核心組成部分,推薦算法備受重視。協(xié)同過濾算法作為目前應(yīng)用最廣泛的一種推薦算法,受到國內(nèi)外眾多學(xué)者研究,提出了很多優(yōu)化和改進(jìn)方法,并獲得了不錯的效果,但是數(shù)據(jù)稀疏、片面關(guān)注用戶評分信息、用戶興趣漂移等問題仍然存在并且長期存在。本文提出了一種基于用戶評分與類別聚類的個性化推薦方法(URCC-CF),對傳統(tǒng)的基于用戶的協(xié)同過濾算法進(jìn)行優(yōu)化。主要研究工作包括:(1)用戶的興趣偏好會隨時間推移而發(fā)生變化,即存在用戶興趣漂移問題。本文基于艾賓浩斯遺忘曲線來構(gòu)建時間因子對用戶評分進(jìn)行加權(quán)修正,早期的評分賦予較低權(quán),近期評分賦予較高權(quán)重。采用SVD算法對用戶-項目評分矩陣進(jìn)行降維填充,一定程度上緩解了稀疏性,提高相似性計算的準(zhǔn)確性。(2)傳統(tǒng)的用戶相似性計算僅考慮用戶的評分,然而用戶評分不是衡量用戶偏好的唯一因素,用戶對項目類別的偏好在很大程度上也體現(xiàn)了用戶的相似性。本文綜合項目類別偏好、項目類別比例和主觀評分偏好三個指標(biāo)構(gòu)建用戶-類別評分矩陣,并根據(jù)其結(jié)果為用戶...

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 推薦系統(tǒng)的發(fā)展及研究
        1.2.1 推薦系統(tǒng)的發(fā)展
        1.2.2 國內(nèi)外文獻(xiàn)研究
    1.3 論文主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 推薦算法相關(guān)概述
    2.1 推薦系統(tǒng)概述
    2.2 推薦算法分類
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 協(xié)同過濾推薦算法
        2.2.3 混合推薦算法
    2.3 推薦算法的相關(guān)理論
        2.3.1 相似度度量方法
        2.3.2 評測標(biāo)準(zhǔn)
第三章 相關(guān)算法介紹
    3.1 SVD算法
        3.1.1 SVD算法概述
        3.1.2 SVD算法原理
    3.2 聚類算法
        3.2.1 K-means聚類算法
        3.2.2 模糊C均值聚類算法
    3.3 花朵授粉算法
        3.3.1 花朵授粉算法概述
        3.3.2 異花授粉與自花授粉
        3.3.3 花朵授粉算法流程
    3.4 時間因子加權(quán)
        3.4.1 Logistic函數(shù)
        3.4.2 艾賓浩斯遺忘曲線
第四章 基于用戶評分與類別聚類的個性化推薦方法
    4.1 項目評分
        4.1.1 評分加權(quán)
        4.1.2 矩陣填充
    4.2 項目類別
        4.2.1 用戶-類別評分矩陣的構(gòu)建
        4.2.2 用戶-類別評分矩陣的聚類
    4.3 產(chǎn)生推薦結(jié)果
第五章 實驗結(jié)果與分析
    5.1 實驗環(huán)境及數(shù)據(jù)集
        5.1.1 實驗環(huán)境
        5.1.2 實驗數(shù)據(jù)集
    5.2 實驗結(jié)果分析
        5.2.1 權(quán)重系數(shù)λ對實驗結(jié)果的影響分析
        5.2.2 聚類個數(shù)k對實驗結(jié)果的影響分析
        5.2.3 實驗結(jié)果準(zhǔn)確性對比分析
        5.2.4 實驗結(jié)果覆蓋率對比分析
        5.2.5 聚類算法優(yōu)化對比分析
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝



本文編號：3829925