基于中心聚集参数的改进K-means协同过滤推荐算法

发布时间：2022-10-05 23:35

　　如今互联网高速发展,伴随它而生的信息服务更是同样发展迅速,但这背后却存在一些问题。人们在使用网络时会留下大量的数据信息,这些数据增长速度非常快,从而造成网络中的信息十分冗余,人们就不能快速的、精准的搜到自己想要的内容。个性化推荐系统的出现便较好地改善了这一问题,给人们在使用网络时带来了便利。因此作为推荐系统的核心,推荐算法的性能显得尤为重要,但传统的协同过滤推荐算法会随着系统本身规模的扩大,数据不断增多而产生算法扩展性、数据稀疏性和冷启动等问题,如果能够对这些问题加以改善,推荐算法的性能则会进一步提高。因此本文则从算法扩展性和数据稀疏性这两方面优化推荐算法,从而提高推荐质量,主要工作如下:首先,针对算法扩展性问题,本文提出了基于中心聚集参数的改进K-means协同过滤推荐算法。该算法先提出了一种中心聚集参数,中心聚集参数的目的在于筛选出最合适的,最优的初始化聚类簇心以及确定聚类个数。将加入中心聚集参数的改进K-means聚类算法在UCI数据集上验证,通过调整兰德系数、互信息指标和Fowlkes-Mallows指标的结果显示,改进的算法聚类效果最好;然后在MovieLens数据集上实现基... 

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及述评
    1.3 创新点
    1.4 论文组织结构
2 相关基础理论与方法
    2.1 协同过滤推荐算法
        2.1.1 基于用户的协同过滤推荐算法
        2.1.2 基于项目的协同过滤推荐算法
    2.2 聚类算法
        2.2.1 K-means聚类
        2.2.2 基于K-means的用户聚类推荐算法
    2.3 矩阵填充方法
        2.3.1 Slope One算法
        2.3.2 平均值法
3 基于中心聚集参数的改进K-means协同过滤推荐算法
    3.1 基于中心聚集参数的改进K-means算法
        3.1.1 基于中心聚集参数优化初始簇心和聚类个数
        3.1.2 数据集及评价标准
        3.1.3 实验结果分析
    3.2 基于中心聚集参数的改进K-means协同过滤推荐算法
        3.2.1 算法流程
        3.2.2 数据集及评价标准
        3.2.3 结果实验分析
4 基于Slope One矩阵填充的用户聚类推荐
    4.1 矩阵填充
    4.2 基于Slope One矩阵填充的用户聚类推荐算法
        4.2.1 算法流程
        4.2.2 数据集及评价标准
        4.2.3 实验结果分析
5 结论与展望
    5.1 工作总结
    5.2 未来展望
参考文献
作者简历
致谢


【参考文献】：
期刊论文
[1]基于聚合距离参数的改进K-means算法[J]. 王巧玲,乔非,蒋友好.  计算机应用. 2019(09)
[2]基于距离和密度的d-K-means算法[J]. 唐泽坤,朱泽宇,杨裔,李彩虹,李廉.  计算机应用研究. 2020(06)
[3]基于矩阵分解和聚类的协同过滤算法[J]. 董立岩,王宇,任怡,李永丽.  吉林大学学报(理学版). 2019(01)
[4]结合物品类型和密度峰值聚类的协同过滤推荐算法[J]. 陈帆,孙自强.  华东理工大学学报(自然科学版). 2018(06)
[5]基于粒子群优化算法的协同过滤推荐并行化研究[J]. 游思晴,周丽,赵东杰,薛菲.  北京邮电大学学报. 2018(06)
[6]K-近邻矩阵分解推荐系统算法[J]. 郝雅娴,孙艳蕊.  小型微型计算机系统. 2018(04)
[7]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[8]结合非负矩阵填充及子集划分的协同推荐算法[J]. 袁卫华,王红,杜向华.  小型微型计算机系统. 2017(12)
[9]基于最小方差的K-means用户聚类推荐算法[J]. 杨大鑫,王荣波,黄孝喜,谌志群.  计算机技术与发展. 2018(01)
[10]基于矩阵填充和物品可预测性的协同过滤算法[J]. 潘涛涛,文锋,刘勤让.  自动化学报. 2017(09)



本文编号：3686715