基于特征偏好信息的混合协同过滤算法研究

发布时间：2017-04-01 08:09

  本文关键词：基于特征偏好信息的混合协同过滤算法研究，由笔耕文化传播整理发布。

【摘要】：互联网成为人类发展必不可少的工具。通过互联网，人们可以获取重要信息，可以解决日常所需要的衣食住行。但是互联网信息过载问题对人们的影响也越来越严重。目前，解决信息过载问题的方法主要有门户网站、分类目录、搜索引擎以及推荐系统，因为推荐系统能够有效解决信息过载问题而日益受到人们的关注。 协同过滤推荐算法是在实际推荐系统中应用范围最为广泛的推荐算法。但是数据稀疏、冷启动问题、扩展性问题和安全问题一直阻碍协同过滤算法的进一步推广应用。与此同时，群体特征信息（如用户特征信息和项目特征信息）可以代表某类个体的兴趣特征，对于解决推荐算法中的数据稀疏和冷启动问题具有有效的作用。 本文首先介绍了推荐系统的研究现状，分析和总结了当前已有的一些协同过滤推荐算法的优点和不足。同时本文还对不同的推荐算法类别进行了阐述，介绍了推荐算法在不同维度的类别划分，分析和总结了不同类别的推荐算法的应用场景。在相关研究成果的基础上，针对传统协同过滤推荐算法推荐精度和数据稀疏上面临的问题，提出了一些有效的解决方法。 本文的主要工作内容包括如下两个方面。 （1）针对群体特征信息，本文对用户和项目的特征信息进行提取，利用特征信息构建用户-项目特征评分矩阵和用户特征-项目评分矩阵并进行特征矩阵优化。通过提取用户的某些特征，如年龄，性别及常住地区等，项目产品的某些特征，如所属类型、上架时间等，利用这些特征信息分别构造相对应的用户特征-项目评分矩阵和用户-项目特征评分矩阵。同时，为了提高推荐精度，本文采用隐语义模型LFM对用户特征-项目评分矩阵和用户-项目特征评分矩阵进行矩阵优化，之所以使用LFM模型优化而不是使用SVD等模型优化的原因是LFM的训练效果最好，适用于实际情况。 （2）针对协同过滤推荐算法中计算用户相似度和项目相似度中面临的相似精度不高以及计算时间空间开销过大等问题，本文使用用户特征-项目评分矩阵和用户-项目特征评分矩阵分别计算项目之间的相似度和用户之间的相似度。同时使用两种相似度融合方式（一种是简单的线性融合方式，，另一种是矩阵相乘的融合方式）与传统利用用户-项目评分矩阵计算的相似度进行融合，并得到新的相似度矩阵。最后利用经典协同过滤评分预测公式进行评分预测。经实验检验，本文提出的基于特征偏好信息的混合推荐算法对评分预测精度的提高具有积极作用。
【关键词】：特征偏好 相似度 协同过滤 混合推荐算法
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 课题的研究背景11-13
• 1.2 推荐系统的研究现状及难点13-15
• 1.2.1 推荐系统研究现状13-14
• 1.2.2 推荐系统的难点14-15
• 1.3 本文的研究内容15-16
• 1.4 本文的组织结构16-17
• 第2章 推荐算法及相关技术17-29
• 2.1 按选取角度划分17-21
• 2.1.1 基于内容的推荐算法17-19
• 2.1.2 基于协同过滤的推荐算法19-21
• 2.1.3 混合推荐算法21
• 2.2 按实现技术划分21-25
• 2.2.1 基于内存的协同过滤算法23
• 2.2.2 基于模型的协同过滤算法23-25
• 2.3 按数据类型划分25-28
• 2.3.1 利用用户行为数据的推荐算法25-26
• 2.3.2 利用用户标签数据的推荐算法26-27
• 2.3.3 利用上下文信息的推荐算法27
• 2.3.4 利用社交网络数据的推荐算法27-28
• 2.4 本章小结28-29
• 第3章 算法原理29-41
• 3.1 改进的协同过滤推荐算法29-38
• 3.1.1 算法基本思想29-30
• 3.1.2 基于用户的改进协同过滤推荐算法30-35
• 3.1.3 基于项目的改进协同过滤推荐算法35-38
• 3.2 特征的选取38-39
• 3.2.1 用户特征的提取38-39
• 3.2.2 项目特征的提取39
• 3.3 结合偏好特征的评分预测39-40
• 3.4 本章小结40-41
• 第4章 算法实验41-50
• 4.1 实验数据集41-42
• 4.2 评估指标42-44
• 4.3 实验设计方案及实验结果分析44-49
• 4.4 实验结论49
• 4.5 本章小结49-50
• 第5章 总结与展望50-52
• 5.1 本文总结50
• 5.2 今后工作50-52
• 参考文献52-57
• 作者简介及在学期间所取得的科研成果57-58
• 致谢58

【相似文献】

中国期刊全文数据库 前10条

1 张付志;张启凤;;融合多系统用户信息的协同过滤算法[J];计算机工程;2009年21期

2 周丽娟;徐明升;张研研;张璋;;基于协同过滤的课程推荐模型[J];计算机应用研究;2010年04期

3 刘淇;陈恩红;;结合二部图投影与排序的协同过滤[J];小型微型计算机系统;2010年05期

4 董全德;;基于双信息源的协同过滤算法研究[J];合肥工业大学学报(自然科学版);2010年07期

5 李聪;;电子商务协同过滤可扩展性研究综述[J];现代图书情报技术;2010年11期

6 傅鹤岗;李冉;;基于用户实时反馈的协同过滤算法[J];计算机应用;2011年07期

7 辛勤芳;;基于项目聚类的协同过滤算法研究[J];赤峰学院学报(自然科学版);2011年09期

8 杨君;汪会玲;艾丹祥;;一种基于情景的多维协同过滤新方法研究[J];图书情报工作;2011年21期

9 王宗武;;基于信任用户联合聚类的协同过滤算法[J];计算机与现代化;2013年09期

10 杜永萍;黄亮;何明;;融合信任计算的协同过滤推荐方法[J];模式识别与人工智能;2014年05期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e

本文编号：280279