Web2.0時代下,網(wǎng)絡技術的發(fā)展使得信息生產(chǎn)大眾化,網(wǎng)絡信息量呈爆發(fā)式增長,用戶從海量信息中尋找有價值的信息所需要付出的代價也越來越高。面對這樣的信息過載問題,推薦系統(tǒng)作為一種信息過濾工具被研究人員提出,并逐漸演變成為一門學科,受到學術界和工業(yè)界的關注和研究。如今,對推薦系統(tǒng)的研究更多的是面向推薦的準確率指標,但僅僅提高算法的準確率,并不會造成用戶對推薦結果的滿意度提升,反而會引起用戶興趣同質化現(xiàn)象,流行物品出現(xiàn)在大量用戶的推薦列表中,大量長尾物品無法被推薦算法挖掘出來。推薦算法研究中已經(jīng)出現(xiàn)許多的評價指標來衡量一個推薦算法的好壞。其中,覆蓋率指標刻畫了推薦系統(tǒng)挖掘長尾物品的能力,對商家來說,該指標意義重大。該指標的提升能夠避免推薦范圍的局限性,用戶可以選擇的物品更豐富。因此,對研究人員和業(yè)界商家來說,面向覆蓋率的推薦算法研究有著重大實際意義和研究意義。為了將更多的長尾物品推薦給合適的用戶,本文對傳統(tǒng)推薦算法進行了一系列研究,其中考慮添加鄰居用戶懲罰項、抑制流行物品傳播等改進方式,用以提高長尾物品的曝光度。還采用了以校準用戶興趣比例為目的的重排序方法,從而避免用戶興趣越來越狹隘。本文...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 面向準確性的推薦算法
        1.2.2 面向多樣性的推薦算法
    1.3 本文的主要貢獻與創(chuàng)新
    1.4 本論文的結構安排
第二章 推薦系統(tǒng)相關知識概述
    2.1 個性化推薦系統(tǒng)的應用場景
    2.2 推薦算法的幾大挑戰(zhàn)
        2.2.1 冷啟動問題
        2.2.2 數(shù)據(jù)稀疏性問題
        2.2.3 熱門物品偏向問題
        2.2.4 用戶興趣漂移問題
    2.3 常用的推薦算法
        2.3.1 協(xié)同過濾推薦算法
        2.3.2 基于內(nèi)容的推薦算法
        2.3.3 基于網(wǎng)絡結構的推薦算法
    2.4 推薦算法評價指標介紹
        2.4.1 準確性指標
        2.4.2 覆蓋率指標
        2.4.3 多樣性指標
    2.5 實驗數(shù)據(jù)集介紹
    2.6 本章小結
第三章 推薦算法的改進方法
    3.1 相關研究工作
    3.2 基于用戶的協(xié)同過濾算法的直接改進
        3.2.1 算法分析與改進
        3.2.2 算法性能評測
    3.3 基于物品的協(xié)同過濾算法的直接改進
        3.3.1 算法分析與改進
        3.3.2 算法性能評測
    3.4 基于二部圖的物質擴散算法的直接改進
        3.4.1 算法分析與改進
        3.4.2 算法性能評測
    3.5 本章小結
第四章 推薦算法的重排序方法
    4.1 相關工作介紹
    4.2 基于校準思想的重排序方法
        4.2.1 校準概念
        4.2.2 重排序策略
        4.2.3 聚類算法介紹
    4.3 算法性能評測
        4.3.1 協(xié)同過濾算法重排序
        4.3.2 物質擴散算法重排序
    4.4 本章小結
第五章 全文總結與展望
    5.1 全文總結
    5.2 后續(xù)工作展望
致謝
參考文獻



本文編號：3855120