本文選題：協(xié)同過濾推薦算法　切入點：奇異值分解　出處：《遼寧科技大學(xué)》2016年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)的普及和信息技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)中用戶的數(shù)量和信息量也急劇增長,人們想要從海量的信息中快速地獲取自己感興趣的信息已經(jīng)變得越來越困難。如社交媒體、電子商務(wù)等以用戶為中心的網(wǎng)站,信息量越來越龐大,產(chǎn)生了海量的與用戶興趣相關(guān)的數(shù)據(jù),然而用戶所關(guān)注的只是其中很少的一部分信息。個性化推薦技術(shù)強調(diào)從用戶興趣出發(fā),針對不同的用戶提供特定的個性化推薦服務(wù)。個性化推薦技術(shù)并不需要用戶提供明確的需求,而是從用戶的歷史行為和數(shù)據(jù)出發(fā),以此為依據(jù),通過建立相關(guān)的模型挖掘出用戶的興趣和需求,從而從海量的信息中為用戶篩選出其感興趣的信息。因此,個性化推薦技術(shù)在用戶需求不明確時,顯得尤為重要。目前為止,許多推薦算法已經(jīng)被提出,但是協(xié)同過濾推薦算法是這些推薦算法中應(yīng)用最廣泛且最為成功的算法之一。然而,雖然協(xié)同過濾推薦算法已經(jīng)被成功地應(yīng)用到許多推薦系統(tǒng)中,但是隨著系統(tǒng)規(guī)模的不斷擴(kuò)大,系統(tǒng)中用戶的數(shù)量和項目的數(shù)量不斷增加,協(xié)同過濾推薦算法卻面臨著數(shù)據(jù)稀疏性問題、冷啟動問題和可擴(kuò)展性問題等多方面的嚴(yán)峻挑戰(zhàn)。針對協(xié)同過濾推薦算法存在的這些問題,本文提出了一種組合協(xié)同過濾推薦算法。論文首先闡述了協(xié)同過濾推薦算法的基本思想,并闡述了算法中存在的問題。然后針對協(xié)同過濾推薦算法中存在的問題分別提出了基于奇異值分解和層次聚類的改進(jìn)算法和改進(jìn)的Slope One協(xié)同過濾推薦算法,以此來展開對協(xié)同過濾推薦算法的研究。為了驗證改進(jìn)算法的有效性,將兩種改進(jìn)算法分別在MovieLens數(shù)據(jù)集上進(jìn)行對比實驗。實驗結(jié)果表明,這兩種改進(jìn)算法的推薦質(zhì)量優(yōu)于傳統(tǒng)的協(xié)同過濾推薦算法。本文在最后提出將這兩種改進(jìn)算法相結(jié)合的組合協(xié)同過濾推薦算法。同樣在MovieLens數(shù)據(jù)集上進(jìn)行實驗,實驗結(jié)果驗證了組合協(xié)同過濾推薦算法的有效性。
[Abstract]:With the popularization of the Internet and the rapid development of information technology, the number of users and the amount of information in the Internet are also increasing rapidly. It is becoming more and more difficult for people to quickly obtain the information they are interested in from the mass of information.Such as social media, electronic commerce and other user-centered websites, the amount of information is increasing, resulting in a huge amount of data related to user interest, but users only focus on a small part of the information.Personalized recommendation technology emphasizes on providing specific personalized recommendation services for different users based on users' interests.Personalized recommendation technology does not need users to provide clear requirements, but from the user's historical behavior and data, based on this, through the establishment of relevant models to mine the interests and needs of users.From the mass of information for the user to filter out the information of interest.Therefore, personalized recommendation technology is particularly important when user needs are not clear.So far, many recommendation algorithms have been proposed, but collaborative filtering recommendation algorithm is one of the most widely used and most successful recommendation algorithms.However, although collaborative filtering recommendation algorithms have been successfully applied to many recommendation systems, the number of users and the number of projects in the system are increasing with the expansion of the scale of the system.However, collaborative filtering recommendation algorithms face many challenges, such as data sparsity, cold start and scalability.Aiming at these problems of collaborative filtering recommendation algorithm, a combined collaborative filtering recommendation algorithm is proposed in this paper.In this paper, the basic idea of collaborative filtering recommendation algorithm is introduced, and the problems in the algorithm are discussed.Then, an improved algorithm based on singular value decomposition and hierarchical clustering and an improved Slope One collaborative filtering recommendation algorithm are proposed to solve the problems in collaborative filtering recommendation algorithm.In order to verify the effectiveness of the improved algorithm, the two improved algorithms are compared with each other on the MovieLens dataset.Experimental results show that the recommendation quality of the two improved algorithms is superior to that of the traditional collaborative filtering recommendation algorithm.In the end, this paper proposes a combined collaborative filtering recommendation algorithm which combines these two improved algorithms.The experimental results on MovieLens data set show the effectiveness of the combined collaborative filtering recommendation algorithm.
【學(xué)位授予單位】：遼寧科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

相關(guān)會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：1726896