协同过滤推荐技术的研究与改进

发布时间：2017-05-12 13:15

  本文关键词：协同过滤推荐技术的研究与改进，由笔耕文化传播整理发布。

【摘要】：互联网技术的飞速发展给人们带来了极大的便利，尤其是Web2.0技术出现以来，人们在网络上不断创造大量的信息。然而，过量的信息使得用户难以迅速有效地找到自己感兴趣的信息，导致“信息过载”问题。目前，搜索引擎和个性化推荐技术是解决这一问题的有效途径。然而一般的搜索引擎只能在用户需求明确的情况下提供非个性化的信息过滤，个性化推荐技术的出现正是弥补搜索引擎的这一不足之处。 作为目前推荐系统中应用最广泛、最成功的推荐技术之一，协同过滤技术得到了研究者的广泛关注。本文从相似度计算和评分预测两个角度对传统的协同过滤推荐技术进行改进。 相似度计算是协同过滤推荐技术的核心。目前常用的相似度计算方法主要有皮尔森相关系数、余弦相似度。本文首先实验分析了传统相似性计算方法的特点与不足，在确定用户间相似性时仅考虑公共评分数值，导致相似性准确度不高。由此提出从非公共评分数值角度来度量传统相似度可靠程度的置信度函数。新的相似度定义为传统相似度和置信度函数的乘积，，因此新相似度计算方法结合了公共评分的数值信息和非数值部分的信息。 评分预测是推荐系统的重要任务。本文分析了传统评分预测方法的不足，并提出了基于用户兴趣的评分预测方法。新预测方法在预测评分时考虑了用户对不同类型项目的评分偏好，从而使预测得到的评分更加准确。 本文设计了一系列实验验证上述两种改进方法的有效性，结果表明：本文提出的相似度计算和评分预测方法能得到更好的预测精确度和覆盖率。
【关键词】：个性化推荐 协同过滤 置信度函数 用户评分偏好
【学位授予单位】：上海大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要6-7
• ABSTRACT7-10
• 第一章 绪论10-16
• 1.1 选题背景和意义10-12
• 1.2 国内外研究历史与现状12-14
• 1.3 课题的研究内容14-15
• 1.4 论文的组织结构15-16
• 第二章 个性化推荐系统16-31
• 2.1 推荐系统概述16-17
• 2.2 个性化推荐算法17-23
• 2.2.1 基于内容的推荐18-19
• 2.2.2 协同过滤推荐19-22
• 2.2.2.1 基于内存的协同过滤推荐19-21
• 2.2.2.2 基于模型的协同过滤推荐21-22
• 2.2.3 混合方法22-23
• 2.3 推荐算法的评价23-28
• 2.3.1 推荐算法实验数据集24
• 2.3.2 推荐算法的评价指标24-28
• 2.3.2.1 预测准确性24-26
• 2.3.2.2 推荐准确性26-27
• 2.3.2.3 其他27-28
• 2.4 推荐系统面临的问题28-30
• 2.4.1 数据稀疏性问题28-29
• 2.4.2 冷启动问题29-30
• 2.4.3 可扩展性问题30
• 2.5 本章小结30-31
• 第三章 结合置信度函数的协同过滤推荐方法31-53
• 3.1 传统相似度计算方法31-32
• 3.2 传统相似度的问题32-35
• 3.3 置信度函数及其推导35-39
• 3.4 算法流程39-40
• 3.5 实验与分析40-52
• 3.5.1 实验一、参数α对实验效果的影响40-43
• 3.5.2 实验二、参数θ对实验效果的影响43-45
• 3.5.3 实验三、参数λ对实验效果的影响45-48
• 3.5.4 实验四、与其他相似度计算方法的比较48-52
• 3.6 本章小结52-53
• 第四章 基于用户兴趣的评分预测方法53-62
• 4.1 引言53
• 4.2 用户兴趣53-55
• 4.3 基于用户兴趣的评分预测方法55-56
• 4.4 实验与分析56-59
• 4.4.1 实验一、阈值θ的确定56-57
• 4.4.2 实验二、各评分预测方法的比较57-59
• 4.5 本章小结59-62
• 第五章 总结与展望62-64
• 5.1 总结62-63
• 5.2 展望63-64
• 参考文献64-69
• 攻读硕士学位期间完成的工作69-70
• 致谢70

【共引文献】

中国期刊全文数据库 前10条

1 李颖;李永丽;蔡观洋;;基于双重阈值近邻查找的协同过滤算法[J];吉林大学学报(信息科学版);2013年06期

2 蒋盛益;杨博泓;吴美玲;;基于快速社区检测的协同过滤推荐算法[J];广西大学学报(自然科学版);2013年06期

3 陶维成;王婷婷;姚琪;;基于Mahout的推荐系统构建[J];重庆科技学院学报(自然科学版);2014年02期

4 印桂生;张亚楠;董宇欣;韩启龙;;基于受限信任关系和概率分解矩阵的推荐[J];电子学报;2014年05期

5 张磊;;基于遗忘曲线的协同过滤研究[J];电脑知识与技术;2014年12期

6 王越;程昌正;;协同过滤算法在电影推荐中的应用[J];四川兵工学报;2014年05期

7 胡祥;王文东;龚向阳;王柏;阙喜戎;;基于流形排序的社会化推荐方法[J];北京邮电大学学报;2014年03期

8 陶彩霞;袁海;陈康;马安华;;灵活适应不同业务的个性化推荐系统研究[J];电信科学;2014年08期

9 孙晓晨;徐雅斌;;位置社交网络的潜在好友推荐模型研究[J];电信科学;2014年10期

10 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

中国重要会议论文全文数据库 前2条

1 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年

2 董媛香;肖智;王现宁;;基于软集合和HeatS+ProbS的混合输入推荐算法研究[A];2013中国信息经济学会学术年会暨博士生论坛论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 马琳;面向移动互联网的开放服务技术架构及若干关键技术研究[D];北京邮电大学;2013年

2 王慧贤;社交网络媒体平台用户参与激励机制研究[D];北京邮电大学;2013年

3 李聪;协同过滤推荐系统托攻击防御技术研究[D];国防科学技术大学;2012年

4 李璐;基于MP2P的内容分发机制研究[D];哈尔滨工程大学;2013年

5 冷亚军;协同过滤技术及其在推荐系统中的应用研究[D];合肥工业大学;2013年

6 冯玉翔;大规模分布式环境下动态信任管理机制的研究[D];华南理工大学;2013年

7 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年

8 梁锡军;稀疏优化在机器学习中的若干应用[D];大连理工大学;2013年

9 吉祥;面向产品绿色设计的知识建模及应用技术研究[D];浙江大学;2013年

10 廉捷;基于用户特征的社交网络数据挖掘研究[D];北京交通大学;2014年

中国硕士学位论文全文数据库 前10条

1 涂金龙;基于tag的个性化推荐技术研究[D];重庆大学;2013年

2 陈显勇;融合用户属性和兴趣的最大熵推荐算法研究[D];重庆大学;2013年

3 黄晓凤;并行协同过滤推荐模型的研究[D];重庆大学;2013年

4 汪毅峰;基于数据挖掘的个性化推荐系统的研究与设计[D];南昌大学;2013年

5 王强;基于协同过滤算法的电子商务推荐系统研究[D];太原理工大学;2013年

6 陈永光;基于OPAC的高校图书馆个性化图书推荐算法研究[D];南京理工大学;2013年

7 徐莉;基于数据挖掘技术的电子商务推荐系统的研究[D];北京邮电大学;2013年

8 代金龙;协同过滤算法中数据稀疏性问题研究[D];重庆大学;2013年

9 蔡孟松;基于社交用户标签的混合个性化推荐研究[D];重庆大学;2013年

10 孙歆;基于协同过滤技术的SCORM数字化教学资源库研究[D];浙江工业大学;2013年

  本文关键词：协同过滤推荐技术的研究与改进，由笔耕文化传播整理发布。

本文编号：359879