隨著互聯(lián)網(wǎng)行業(yè)的蓬勃發(fā)展和大數(shù)據(jù)時(shí)代的到來,當(dāng)代電影行業(yè)信息爆炸式增長(zhǎng)。一方面,信息提供給人們的娛樂選擇令人眼花繚亂,傳統(tǒng)電影網(wǎng)站大多使用推薦熱門電影的方式,這種推薦方式無法滿足用戶個(gè)性化需求。因此,如何基于數(shù)據(jù)進(jìn)行有效分析,進(jìn)而針對(duì)用戶個(gè)性化娛樂需求實(shí)現(xiàn)有效推薦,成為了當(dāng)代文娛產(chǎn)業(yè)創(chuàng)造商業(yè)化價(jià)值的關(guān)鍵。另一方面,面對(duì)復(fù)雜高維的數(shù)據(jù)信息,推薦系統(tǒng)勢(shì)必要付出極大的存儲(chǔ)與處理代價(jià)。因此,如何在保持電影推薦精度、滿足用戶個(gè)性化興趣需求的前提下,有效進(jìn)行數(shù)據(jù)降維,以縮減推薦成本,成為了推薦系統(tǒng)的關(guān)鍵性課題。基于此,本文針對(duì)半監(jiān)督降維的電影混合推薦進(jìn)行了研究與實(shí)現(xiàn),具體研究?jī)?nèi)容如下:（1）針對(duì)提升推薦精度以滿足用戶個(gè)性化娛樂需求,本論文提出了使用“基于負(fù)反饋與時(shí)間懲罰項(xiàng)的雙向分類過濾推薦”的改進(jìn)算法,利用熱門電影的負(fù)反饋,挖掘隱含潛在信息,豐富可利用的數(shù)據(jù)集合,同時(shí)引入時(shí)間懲罰項(xiàng),根據(jù)時(shí)間變化對(duì)興趣的影響有效調(diào)整用戶偏好權(quán)重。最后,聚類用戶偏好矩陣與電影項(xiàng)目特征矩陣,雙向聚類后過濾結(jié)果。經(jīng)實(shí)驗(yàn)證明,本論文提出的“基于負(fù)反饋與時(shí)間懲罰項(xiàng)的雙向分類過濾推薦”改進(jìn)算法能夠有效提升推薦精度、滿足用戶個(gè)性... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進(jìn)算法如下：??

?�。�??＾１２３４Ｓ６７８／??時(shí)間／天??圖３－１艾賓浩斯遺忘曲線圖??因此，綜上所述，本文提出的改進(jìn)算法如下：??當(dāng)／＜丁〇，則興趣保持度設(shè)置為：灰勿＝１００％，當(dāng)興趣保持度遵循如上??公式（３－１２），妒（ｒ）?＝?８４．２１ｘ〇－１５廣２３８３?＋１５．６６，當(dāng)＾丁丨時(shí)，興趣保持度設(shè)置為：??剛＝４０％。??綜上所述，該公式為：??Ｕ＜ｒ０??＾（／）?＝?－?８４．２１ｘ（ｒ－１５）－０２３８３?＋１５．６６，ｒ０?＜ｔ＜７；?（３＿１３）??０．４，／?＞７］??其中，Ｔ〇為１５，?１＾＊１８６，ｆ為用戶對(duì)電影的評(píng)分時(shí)間距離系統(tǒng)用戶最近評(píng)??分時(shí)間的天數(shù)

薦的精準(zhǔn)度。?．??其推薦原理如圖３－３所示：??ｕｓｅｒＡ?＾?ｍｏｖｉｅｌ??ｕｓｅｒＢ?―２??？?ｚ－Ｚ’＇、————??ｕｓｅｒＣ?ｚ?ｍｏｖｉｅ３??ｕｓｅｒＤ?ｍｏｖｉｅ４??ｌ??得到用戶偏好矩陣、電影特征矩陣并聚類??糞????４推薦并過濾??ｍ??？??ｍｏｖｉｅ?ｕｓｅｒ??圖３－３推薦原理圖??主要采用了瀑布型混合推薦算法，使用過濾的方式，將基于矩陣分解的推薦??視為一層過濾，得到用戶偏好矩陣與電影特征矩陣并將其分別聚類。輸出結(jié)果后，??將其分別使用基于用戶與基于物品的協(xié)同過濾推薦，雙向過濾，從而能夠?qū)崿F(xiàn)推??薦精度的提升。其推薦模塊如圖３－４所示：??２７??

【參考文獻(xiàn)】：
期刊論文
[1]基于艾賓浩斯遺忘曲線的個(gè)性化推薦算法[J]. 周子愉.  電子制作. 2018(Z2)
[2]融合用戶自然最近鄰的協(xié)同過濾推薦算法[J]. 王穎,王欣,唐萬梅.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[3]主成分分析與線性判別分析兩種數(shù)據(jù)降維算法的對(duì)比研究[J]. 董虎勝.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(29)
[4]一種基于矩陣分解的電影推薦算法[J]. 聶常超.  電子設(shè)計(jì)工程. 2016(19)
[5]基于Hadoop云網(wǎng)絡(luò)在用戶視頻推薦中研究[J]. 趙鑫.  電腦知識(shí)與技術(shù). 2016(06)
[6]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[7]深度自動(dòng)編碼器的研究與展望[J]. 曲建嶺,杜辰飛,邸亞洲,高峰,郭超然.  計(jì)算機(jī)與現(xiàn)代化. 2014(08)
[8]大數(shù)據(jù)研究[J]. 嚴(yán)霄鳳,張德馨.  計(jì)算機(jī)技術(shù)與發(fā)展. 2013(04)
[9]一種有監(jiān)督的線性降維人臉識(shí)別算法[J]. 郭麗,鄭忠龍,賈炯,張海新,付芳梅.  計(jì)算機(jī)工程. 2013(11)
[10]基于艾賓浩斯遺忘的用戶興趣模型更新機(jī)制[J]. 韓曉吉,劉鳳鳴.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2012(07)

博士論文
[1]基于地理標(biāo)簽的社會(huì)媒體數(shù)據(jù)挖掘的智能旅游推薦研究[D]. Abdul Majid.浙江大學(xué) 2012
[2]線性圖嵌入算法及其應(yīng)用[D]. 陳江峰.北京交通大學(xué) 2012
[3]基于流形學(xué)習(xí)的特征提取方法及其應(yīng)用研究[D]. 李波.中國(guó)科學(xué)技術(shù)大學(xué) 2008

碩士論文
[1]基于偏好感知的微信公眾平臺(tái)混合推薦算法研究[D]. 劉偉.華中師范大學(xué) 2016
[2]基于隨機(jī)搜索策略的多標(biāo)簽特征選擇方法研究[D]. 趙磊.南京師范大學(xué) 2016
[3]基于時(shí)間效應(yīng)和用戶興趣變化的改進(jìn)推薦算法研究[D]. 孫光輝.北京郵電大學(xué) 2014
[4]推薦算法研究和對(duì)象搜索引擎的搭建[D]. 羅睿陽.北京郵電大學(xué) 2014
[5]基于內(nèi)容的垃圾郵件檢測(cè)特征降維算法研究[D]. 馮禹.浙江大學(xué) 2013
[6]個(gè)性化混合推薦算法的研究[D]. 張騰季.浙江大學(xué) 2013
[7]基于流形學(xué)習(xí)的數(shù)據(jù)降維的研究[D]. 唐文俊.廣東工業(yè)大學(xué) 2012
[8]面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法研究[D]. 張學(xué)勝.中國(guó)科學(xué)技術(shù)大學(xué) 2011



本文編號(hào)：3098366