基于协同过滤与划分聚类的推荐算法研究

发布时间：2017-06-30 03:01

  本文关键词：基于协同过滤与划分聚类的推荐算法研究，由笔耕文化传播整理发布。

【摘要】：随着互联网技术和通信技术的蓬勃发展，人们已经从信息匮乏的时代迈入到信息过载的时代，目前解决信息过载的方法主要有信息检索和信息过滤，以搜索引擎为代表的信息检索技术已经日渐成熟，个性化推荐是信息过滤领域最典型的应用，作为搜索引擎的补充已被广泛应用到电子商务、社交网络、基于位置的服务和个性化广告等领域。常见的个性化推荐技术有协同过滤、基于内容的推荐和基于图的推荐等等，协同过滤是其中最古老也是应用最成功的算法，它假设过去相似的用户将来会有相似的行为，通过对用户群体的历史行为分析计算找出相似用户，然后给目标用户推荐他近邻喜欢但他未购买的商品，但是当面对海量信息时，协同过滤算法也面临着数据稀疏、冷启动、推荐精度和扩展性等问题。 传统的基于用户的协同过滤和基于项目的协同过滤在计算推荐结果时，都局限在分析用户-项目评分信息，基本没有考虑用户和项目的内容属性，尽可能多的挖掘有价值的推荐信息，对于提高推荐精度至关重要。本文充分利用项目的属性特点，就提高协同过滤近邻查找准确率和近邻查找效率做了如下研究： 首先，通过具体实例分析了传统的协同过滤算法近邻查找方法的缺陷，数据高维稀疏造成用户间相似度计算和近邻查找不准确，然后提出了基于相似评分行为的近邻查找优化算法。 其次，将划分聚类的思想应用到协同推荐中，聚类的过程是将相似度高的对象聚到同一个簇中，通过聚类将目标用户近邻查找空间缩小至与其最相似的一个或几个聚类簇，提出了基于用户-评分矩阵聚类的协同过滤算法；考虑项目的属性特点，应用词频-逆文档频率TF-IDF评估思想，将高维稀疏的用户-评分矩阵转化成相对低维密集的用户-兴趣矩阵，提出了基于用户-兴趣矩阵聚类的协同过滤算法；融合用户-评分和用户-兴趣，提出了基于用户-评分融合用户-兴趣聚类的协同过滤算法，并分别研究了它们的推荐实时性和推荐精度。 最后，，在数据集MovieLens上设计实验，以传统的基于用户的协同过滤算法作为对照实验，验证了基于相似评分行为的近邻查找算法能够提高近邻的查找准确率从而提高推荐的精度；基于划分聚类的协同过滤算法能够提高近邻的查找效率，融合了项目属性信息聚类的协同过滤算法比传统的协同过滤算法推荐精度要高。
【关键词】：个性化推荐 协同过滤 近邻查找 相似度计算 划分聚类 推荐精度
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-14
• 1.1 研究背景10-11
• 1.2 国内外研究现状11-12
• 1.3 本文的研究内容12-13
• 1.4 本文的组织结构13-14
• 第2章 推荐系统概述14-29
• 2.1 推荐系统简介14-15
• 2.2 协同过滤推荐15-22
• 2.2.1 协同推荐工作流程16-17
• 2.2.2 协同过滤分类17-21
• 2.2.3 协同推荐面临的挑战21-22
• 2.3 其他常用推荐算法22-26
• 2.3.1 基于内容的推荐算法22-24
• 2.3.2 基于图的推荐算法24-26
• 2.4 推荐系统评测标准26-28
• 2.4.1 误差标准26-27
• 2.4.2 命中率标准27
• 2.4.3 其他标准27-28
• 2.5 本章小结28-29
• 第3章 优化近邻查找的协同过滤算法29-37
• 3.1 优化背景29-31
• 3.2 基于相似评分行为的近邻查找法31-32
• 3.2.1 算法描述31-32
• 3.3 实验结果与分析32-36
• 3.3.1 数据集介绍32-33
• 3.3.2 评测标准33-34
• 3.3.3 实验环境34
• 3.3.4 实验分析34-36
• 3.4 本章小结36-37
• 第4章 基于划分聚类的协同过滤算法37-51
• 4.1 优化背景及目标37-38
• 4.1.1 优化背景37-38
• 4.1.2 优化目标38
• 4.2 基于用户-评分矩阵聚类的协同过滤算法38-42
• 4.2.1 算法说明38-39
• 4.2.2 算法描述39-41
• 4.2.3 实验结果与分析41-42
• 4.3 基于用户-兴趣矩阵聚类的协同过滤算法42-48
• 4.3.1 算法说明42-44
• 4.3.2 算法描述44-47
• 4.3.3 实验结果与分析47-48
• 4.4 基于用户-评分融合用户-兴趣矩阵聚类的协同过滤算法48-50
• 4.4.1 算法说明48-49
• 4.4.2 算法描述49
• 4.4.3 实验结果与分析49-50
• 4.5 本章小结50-51
• 第5章 总结与展望51-53
• 5.1 总结51
• 5.2 展望51-53
• 参考文献53-57
• 作者简介及在学期间科研成果57-58
• 致谢58

【参考文献】

中国期刊全文数据库 前6条

1 王国霞;刘贺平;;个性化推荐系统综述[J];计算机工程与应用;2012年07期

2 陈君;唐雁;;基于Web社会网络的个性化Web信息推荐模型[J];计算机科学;2006年04期

3 蔺丰奇;刘益;;信息过载问题研究述评[J];情报理论与实践;2007年05期

4 曾春,邢春晓,周立柱;个性化服务技术综述[J];软件学报;2002年10期

5 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

6 邓爱林,左子叶,朱扬勇;基于项目聚类的协同过滤推荐算法[J];小型微型计算机系统;2004年09期

  本文关键词：基于协同过滤与划分聚类的推荐算法研究，由笔耕文化传播整理发布。

本文编号：500283