發(fā)布時間：2021-03-17 08:23

  隨著信息2.0時代的到來,互聯(lián)網(wǎng)的飛速發(fā)展使得人們獲取信息的方式越來越容易,用戶在面對海量的數(shù)據(jù)難以快速而準(zhǔn)確的檢索到對自己有用的信息,即信息過載問題。個性化推薦系統(tǒng)可以有效的解決信息過載問題,其核心就是推薦算法,而協(xié)同過濾算法就是一種研究成熟、廣泛應(yīng)用的推薦算法。推薦系統(tǒng)都會受到數(shù)據(jù)稀疏問題的影響,主要通過用戶相似度計算的不準(zhǔn)確性來體現(xiàn)。針對數(shù)據(jù)稀疏問題,本文從用戶預(yù)先聚類和用戶相似度算法改進(jìn)兩個方面進(jìn)行了研究,分別提出了SKCA算法和RWDS算法,然后再將兩種方法進(jìn)行融合提出了結(jié)合用戶聚類的協(xié)同過濾推薦算法。從用戶聚類的思考出發(fā),引入了物理學(xué)中的拓?fù)鋭輬隼碚摬⑼ㄟ^拓?fù)鋭葜颠M(jìn)行用戶重要性表示,針對K-means聚類算法需要用戶自行確定類別個數(shù)這一不足,結(jié)合勢場的影響因子對K-means算法進(jìn)行改進(jìn)提出了SKCA算法。SKCA算法可以自適應(yīng)的選取聚類中心后計算出聚類結(jié)果以及各個類的代表用戶,目標(biāo)用戶只需選擇最近鄰代表用戶所在類中進(jìn)行協(xié)同過濾推薦,結(jié)合MovieLens數(shù)據(jù)集與其它幾種聚類算法進(jìn)行對比實驗,實驗結(jié)果表明,SKCA算法可以實現(xiàn)推薦質(zhì)量的提升。從用戶相似度算法改進(jìn)的思考出發(fā),首先根據(jù)用戶的評分?jǐn)?shù)據(jù)對與用戶評分習(xí)慣相異的反常評分項給予更高的權(quán)值以實現(xiàn)對項目加權(quán),然后在Jaccard相似度僅考慮共同評分項比重的基礎(chǔ)上加入共同評分項間差值的考慮以實現(xiàn)對相似度算法的改進(jìn),再將兩者綜合起來提出了RWDS方法。RWDS算法加入了評分的全局表現(xiàn)并充分利用評分的專業(yè)意義,結(jié)合MovieLens數(shù)據(jù)集與其它幾種相似度算法進(jìn)行對比實驗,實驗結(jié)果表明,RWDS算法可以有效提升推薦質(zhì)量。最后,將SKCA方法和RWDS方法進(jìn)行融合,提出了結(jié)合用戶聚類的協(xié)同過濾推薦算法。通過與傳統(tǒng)協(xié)同過濾算法和單獨的一種改進(jìn)算法進(jìn)行對比實驗,結(jié)果表明,結(jié)合用戶聚類的協(xié)同過濾推薦算法可以有效緩解數(shù)據(jù)稀疏的影響,提升推薦質(zhì)量。
【學(xué)位授予單位】：重慶理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3