據(jù)互聯(lián)網(wǎng)中心的數(shù)據(jù)報告表明,即便我們坐擁海量信息,可真正找到對自己有用信息的效率變得越來越低;這意味著信息的海量供給和用戶需求間的矛盾正在與日俱增。而推薦系統(tǒng)是幫助用戶快速發(fā)現(xiàn)有用信息的一種工具,是緩解海量信息供給與用戶需求矛盾的一種有效解決方案。其中,協(xié)同過濾技術(shù)是推薦系統(tǒng)中應(yīng)用最多的技術(shù)。本文以協(xié)同過濾為研究目標(biāo)旨在解決該算法中存在的數(shù)據(jù)稀疏性、冷啟動、可擴展性等問題,針對這些問題本文提出了自己的解決方案,研究內(nèi)容主要包括如下三個方面:（1）相似度計算是協(xié)同過濾的核心環(huán)節(jié),其計算的準(zhǔn)確與否對推薦結(jié)果影響很大。在數(shù)據(jù)非常稀疏的情況下,針對常用的相似度計算結(jié)果存在較大偏差,導(dǎo)致推薦結(jié)果不理想的問題,本文提出了一種新的相似度計算方法。在有共同評分項目的基礎(chǔ)上,根據(jù)評分時間越近,用戶的相似度越高,所提算法融入時間因素;同時,為避免活躍用戶和熱門項目對相似度計算造成的不當(dāng)貢獻,本文也進行了相關(guān)思考。由實驗結(jié)果表明,本文的方法在一定程度上提高了推薦準(zhǔn)確度。（2）為減少近鄰搜索空間,從一定程度上提高推薦系統(tǒng)的可擴展性問題,本文將K均值聚類算法與基于相似度計算的協(xié)同過濾算法結(jié)合在一起進行推薦。首先... 

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀分析
    1.3 本文主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 推薦系統(tǒng)概述
    2.1 協(xié)同過濾推薦技術(shù)
        2.1.1 基于用戶的協(xié)同過濾
        2.1.2 基于項目的協(xié)同過濾
    2.2 其他推薦技術(shù)
        2.2.1 基于內(nèi)容的推薦
        2.2.2 基于關(guān)聯(lián)規(guī)則的推薦
    2.3 推薦系統(tǒng)評測
        2.3.1 用戶滿意度
        2.3.2 預(yù)測準(zhǔn)確度
        2.3.3 覆蓋率
        2.3.4 新穎性
    2.4 本章小結(jié)
第3章 基于相似度計算的協(xié)同過濾
    3.1 問題的提出
    3.2 相關(guān)理論研究
        3.2.1 常用的相似度模型
        3.2.2 相似度模型的改進
    3.3 改進相似度計算的協(xié)同過濾
        3.3.1 數(shù)據(jù)的來源與說明
        3.3.2 實驗結(jié)果與討論
    3.4 本章小結(jié)
第4章 基于K均值聚類的協(xié)同過濾
    4.1 問題的提出
    4.2 K均值聚類算法
    4.3 基于K均值的協(xié)同過濾算法
        4.3.1 算法的基本思想
        4.3.2 實驗結(jié)果與討論
    4.4 本章小結(jié)
第5章 基于協(xié)同過濾的電影推薦
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)基本設(shè)計
        5.2.1 架構(gòu)設(shè)計
        5.2.2 數(shù)據(jù)庫設(shè)計
    5.3 系統(tǒng)核心模塊
        5.3.1 預(yù)測模塊
        5.3.2 推薦模塊
    5.4 本章小結(jié)
結(jié)論
    主要結(jié)果和創(chuàng)新點
    進一步的研究工作
參考文獻
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)和改進相似性度量的推薦算法[J]. 鄒鋒.  計算機應(yīng)用與軟件. 2019(11)
[2]一種有效緩解數(shù)據(jù)稀疏問題的協(xié)同過濾推薦算法[J]. 張清,于博,王輝,鄧林.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[3]面向搜索引擎的實體推薦綜述[J]. 黃際洲,孫雅銘,王海峰,劉挺.  計算機學(xué)報. 2019(07)
[4]協(xié)同過濾算法中冷啟動問題研究[J]. 邵煜,謝穎華.  計算機系統(tǒng)應(yīng)用. 2019(02)
[5]基于Apriori算法的關(guān)聯(lián)規(guī)則分析[J]. 王曉麗,奚克敏,劉占波,閆實.  軟件. 2019(02)
[6]一種結(jié)合主題模型的推薦算法[J]. 曹占偉,胡曉鵬.  計算機應(yīng)用研究. 2019(06)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學(xué)報. 2018(07)
[8]一種巴氏系數(shù)改進相似度的協(xié)同過濾算法[J]. 武文琪,王建芳,張朋飛,劉永利.  計算機應(yīng)用與軟件. 2017(08)
[9]個性化推薦系統(tǒng)綜述[J]. 劉輝,郭夢夢,潘偉強.  常州大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[10]基于Jaccard相似度和位置行為的協(xié)同過濾推薦算法[J]. 李斌,張博,劉學(xué)軍,章瑋.  計算機科學(xué). 2016(12)

博士論文
[1]協(xié)同過濾技術(shù)及其在推薦系統(tǒng)中的應(yīng)用研究[D]. 冷亞軍.合肥工業(yè)大學(xué) 2013
[2]個性化推薦技術(shù)中的協(xié)同過濾算法研究[D]. 夏培勇.中國海洋大學(xué) 2011

碩士論文
[1]基于協(xié)同過濾的推薦算法及系統(tǒng)實現(xiàn)[D]. 孟俊才.安慶師范大學(xué) 2019
[2]面向稀疏性數(shù)據(jù)的協(xié)同過濾推薦算法研究[D]. 章金平.安徽大學(xué) 2019
[3]基于協(xié)同過濾的個性化新聞推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 朱滿洲.南京理工大學(xué) 2019



本文編號：3732713