互聯(lián)網(wǎng)的發(fā)展與科技的進(jìn)步給人們生活帶來(lái)了極大便利,但同時(shí)也帶來(lái)了信息過(guò)載的問(wèn)題。當(dāng)前解決信息過(guò)載的手段主要是個(gè)性化推薦系統(tǒng)技術(shù)。其中,協(xié)同過(guò)濾推薦技術(shù)自其提出之日起就始終是人們研究的重點(diǎn)。為提高推薦系統(tǒng)的推薦準(zhǔn)確性,許多學(xué)者通過(guò)引入新的影響因素或創(chuàng)新推薦模型來(lái)優(yōu)化推薦系統(tǒng)。近年來(lái),越來(lái)越多的學(xué)者借助于二部圖理論對(duì)協(xié)同過(guò)濾模型進(jìn)行優(yōu)化。本文在二部圖理論和協(xié)同過(guò)濾思想之上,進(jìn)一步加入資源二次分配理論,構(gòu)建了準(zhǔn)確度較高的物品相似矩陣,進(jìn)一步優(yōu)化了協(xié)同過(guò)濾推薦技術(shù)。通過(guò)Movielens數(shù)據(jù)集的驗(yàn)證可知,改進(jìn)后的推薦模型能夠明顯提高推薦準(zhǔn)確率。本文的主要研究成果如下:（1）構(gòu)建了低維度、高準(zhǔn)確性的物品-分類模型�；谄娈愔捣纸饫碚�,將原始評(píng)分矩陣轉(zhuǎn)化為物品在各個(gè)維度上的評(píng)分矩陣,每個(gè)維度可被視為物品的一個(gè)潛在分類。然后通過(guò)控制變量法對(duì)物品的潛在分類數(shù)進(jìn)行了優(yōu)化。通過(guò)對(duì)優(yōu)化后的物品-分類矩陣進(jìn)行分析可知,該分類結(jié)果是合理的,可以作為構(gòu)建物品-分類二部圖的基礎(chǔ)。（2）構(gòu)建了準(zhǔn)確度較高的物品相似矩陣,優(yōu)化了協(xié)同過(guò)濾算法。將所構(gòu)建的物品-分類矩陣映射為物品-分類二部圖,然后將物品對(duì)分類的評(píng)分轉(zhuǎn)換為二部... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究綜述
        1.2.1 國(guó)外研究進(jìn)展
        1.2.2 國(guó)內(nèi)研究進(jìn)展
    1.3 研究?jī)?nèi)容和方法
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究方法與技術(shù)路線圖
    1.4 創(chuàng)新點(diǎn)
第二章 相關(guān)理論基礎(chǔ)
    2.1 二部圖相關(guān)理論及二部圖推薦算法梳理
        2.1.1 二部圖基本理論
        2.1.2 二部圖常用算法
    2.2 協(xié)同過(guò)濾推薦算法分析
        2.2.1 協(xié)同過(guò)濾推薦系統(tǒng)基本概念
        2.2.2 基于用戶的協(xié)同過(guò)濾算法建模
        2.2.3 基于物品的協(xié)同過(guò)濾算法建模
    2.3 資源二次分配理論分析
        2.3.1 基于二部圖的資源分配理論分析
        2.3.2 基于二部圖的資源二次分配過(guò)程分析
    2.4 奇異值分解理論分析
        2.4.1 奇異值分解基本理論
        2.4.2 奇異值分解的應(yīng)用
    2.5 本章小結(jié)
第三章 基于二部圖的協(xié)同過(guò)濾算法建模
    3.1 建模過(guò)程
    3.2 網(wǎng)絡(luò)關(guān)系建模
        3.2.1 基于奇異值分解的物品-分類模型構(gòu)建
        3.2.2 物品-分類二部圖構(gòu)建
    3.3 基于資源二次分配的協(xié)同過(guò)濾算法
        3.3.1 基于資源二次分配的相似矩陣構(gòu)建
        3.3.2 基于改進(jìn)相似矩陣的協(xié)同過(guò)濾算法
        3.3.3 算法復(fù)雜度分析
    3.4 推薦系統(tǒng)評(píng)測(cè)指標(biāo)的分析與選擇
        3.4.1 基于誤差的評(píng)測(cè)指標(biāo)分析
        3.4.2 基于混淆矩陣的評(píng)測(cè)指標(biāo)分析
    3.5 本章小結(jié)
第四章 模型驗(yàn)證和結(jié)果分析
    4.1 Movielens數(shù)據(jù)集介紹及預(yù)處理
    4.2 篩選后的數(shù)據(jù)集分析
        4.2.1 評(píng)分?jǐn)?shù)據(jù)的頻數(shù)頻率分析
        4.2.2 用戶-電影評(píng)分矩陣熱力圖分析
    4.3 推薦系統(tǒng)模型參數(shù)優(yōu)化
        4.3.1 物品分類數(shù)的優(yōu)化和選擇
        4.3.2 最優(yōu)近鄰數(shù)的選擇
        4.3.3 物品-分類矩陣的合理性分析
        4.3.4 相似矩陣的合理性分析
    4.4 推薦結(jié)果分析與比較
        4.4.1 推薦結(jié)果分析
        4.4.2 topN推薦指標(biāo)分析
        4.4.3 評(píng)分預(yù)測(cè)指標(biāo)分析
    4.5 實(shí)踐應(yīng)用建議
    4.6 本章小結(jié)
第五章 結(jié)論及展望
    5.1 研究結(jié)論
    5.2 研究展望
參考文獻(xiàn)
致謝
附錄A
附錄B


【參考文獻(xiàn)】：
期刊論文
[1]面向大數(shù)據(jù)的移動(dòng)數(shù)字圖書(shū)館情境化推薦系統(tǒng)研究[J]. 劉海鷗,陳晶,孫晶晶,張亞明.  圖書(shū)館工作與研究. 2018(09)
[2]一種帶標(biāo)簽的協(xié)同過(guò)濾廣告推薦算法[J]. 金紫嫣,張娟,李向軍,溫海平,張華薇.  計(jì)算機(jī)工程. 2018(04)
[3]結(jié)合概率矩陣分解的混合型推薦算法[J]. 楊豐瑞,鄭云俊,張昌.  計(jì)算機(jī)應(yīng)用. 2018(03)
[4]基于差異路徑權(quán)重的二部圖網(wǎng)絡(luò)推薦算法[J]. 高長(zhǎng)元,段文彬,張樹(shù)臣.  計(jì)算機(jī)應(yīng)用研究. 2019(03)
[5]基于多權(quán)值的SlopeOne協(xié)同過(guò)濾算法[J]. 覃幸新,王榮波,黃孝喜,諶志群.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2017(06)
[6]融合信任關(guān)系和用戶項(xiàng)目二部圖的推薦算法[J]. 陳平華,楊凱.  計(jì)算機(jī)工程與應(yīng)用. 2018(04)
[7]數(shù)字圖書(shū)館推薦系統(tǒng)協(xié)同過(guò)濾算法改進(jìn)及實(shí)證分析[J]. 朱白.  圖書(shū)情報(bào)工作. 2017(09)
[8]融合社交網(wǎng)絡(luò)特征的協(xié)同過(guò)濾推薦算法[J]. 郭寧寧,王寶亮,侯永宏,常鵬.  計(jì)算機(jī)科學(xué)與探索. 2018(02)
[9]重塑“媒介”:行動(dòng)者網(wǎng)絡(luò)中的新聞“算法”[J]. 姜紅,魯曼.  新聞?dòng)浾? 2017(04)
[10]算法推送:信息私人定制的“個(gè)性化”圈套[J]. 郝雨,李林霞.  新聞?dòng)浾? 2017(02)



本文編號(hào)：3695901