基于用户评分与类别聚类的个性化推荐方法

发布时间：2023-06-03 19:44

　　互联网的快速发展让人们进入了信息过载时代,用户在网络上寻找信息犹如大海捞针一般,而推荐系统则可以主动为用户推荐其感兴趣的信息,作为推荐系统的核心组成部分,推荐算法备受重视。协同过滤算法作为目前应用最广泛的一种推荐算法,受到国内外众多学者研究,提出了很多优化和改进方法,并获得了不错的效果,但是数据稀疏、片面关注用户评分信息、用户兴趣漂移等问题仍然存在并且长期存在。本文提出了一种基于用户评分与类别聚类的个性化推荐方法(URCC-CF),对传统的基于用户的协同过滤算法进行优化。主要研究工作包括:(1)用户的兴趣偏好会随时间推移而发生变化,即存在用户兴趣漂移问题。本文基于艾宾浩斯遗忘曲线来构建时间因子对用户评分进行加权修正,早期的评分赋予较低权,近期评分赋予较高权重。采用SVD算法对用户-项目评分矩阵进行降维填充,一定程度上缓解了稀疏性,提高相似性计算的准确性。(2)传统的用户相似性计算仅考虑用户的评分,然而用户评分不是衡量用户偏好的唯一因素,用户对项目类别的偏好在很大程度上也体现了用户的相似性。本文综合项目类别偏好、项目类别比例和主观评分偏好三个指标构建用户-类别评分矩阵,并根据其结果为用户...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 推荐系统的发展及研究
        1.2.1 推荐系统的发展
        1.2.2 国内外文献研究
    1.3 论文主要研究内容
    1.4 论文结构安排
第二章 推荐算法相关概述
    2.1 推荐系统概述
    2.2 推荐算法分类
        2.2.1 基于内容的推荐算法
        2.2.2 协同过滤推荐算法
        2.2.3 混合推荐算法
    2.3 推荐算法的相关理论
        2.3.1 相似度度量方法
        2.3.2 评测标准
第三章 相关算法介绍
    3.1 SVD算法
        3.1.1 SVD算法概述
        3.1.2 SVD算法原理
    3.2 聚类算法
        3.2.1 K-means聚类算法
        3.2.2 模糊C均值聚类算法
    3.3 花朵授粉算法
        3.3.1 花朵授粉算法概述
        3.3.2 异花授粉与自花授粉
        3.3.3 花朵授粉算法流程
    3.4 时间因子加权
        3.4.1 Logistic函数
        3.4.2 艾宾浩斯遗忘曲线
第四章 基于用户评分与类别聚类的个性化推荐方法
    4.1 项目评分
        4.1.1 评分加权
        4.1.2 矩阵填充
    4.2 项目类别
        4.2.1 用户-类别评分矩阵的构建
        4.2.2 用户-类别评分矩阵的聚类
    4.3 产生推荐结果
第五章 实验结果与分析
    5.1 实验环境及数据集
        5.1.1 实验环境
        5.1.2 实验数据集
    5.2 实验结果分析
        5.2.1 权重系数λ对实验结果的影响分析
        5.2.2 聚类个数k对实验结果的影响分析
        5.2.3 实验结果准确性对比分析
        5.2.4 实验结果覆盖率对比分析
        5.2.5 聚类算法优化对比分析
    5.3 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
致谢



本文编号：3829925