隨著信息技術(shù)的快速發(fā)展,人們對個人信息的要求也越來越高,為了提高信息的質(zhì)量,需要一個定制的推薦系統(tǒng),該系統(tǒng)通過分析用戶的偏好,幫助用戶快速搜索最適合的商品,其中協(xié)同過濾技術(shù)是推薦系統(tǒng)領(lǐng)域最成功的技術(shù)。盡管已經(jīng)證明協(xié)同過濾算法成功且被廣泛接受,也存在準(zhǔn)確性較低、數(shù)據(jù)稀疏性和新項(xiàng)目冷啟動等問題。本文分析了傳統(tǒng)協(xié)同過濾推薦算法的局限性,提出了一種基于XML模糊數(shù)據(jù)的協(xié)同過濾推薦算法。針對協(xié)同過濾算法中的評分?jǐn)?shù)據(jù)稀疏性問題,以“用戶對項(xiàng)目的偏好分解為對項(xiàng)目中每個屬性特征評分之和”為出發(fā)點(diǎn),通過邏輯回歸模型填充稀疏評分矩陣中的缺失值,并且基于填充后的評分矩陣計算項(xiàng)目間的協(xié)同相似度。將模糊數(shù)據(jù)的處理與協(xié)同過濾推薦結(jié)合,基于可能性理論以及相似性理論對項(xiàng)目存在的模糊屬性特征進(jìn)行處理與建模,通過XML的良好結(jié)構(gòu)挖掘項(xiàng)目模糊屬性特征之間的相似度,提高推薦系統(tǒng)的推薦準(zhǔn)確度。針對新項(xiàng)目冷啟動問題,將項(xiàng)目模糊屬性相似度與基于填充后的評分矩陣計算得到的項(xiàng)目協(xié)同相似度加權(quán)結(jié)合得到綜合的相似關(guān)系,通過綜合相似關(guān)系推薦。采用MovieLens數(shù)據(jù)集,對改進(jìn)算法進(jìn)行評估與分析。實(shí)驗(yàn)結(jié)果表明,在相同的實(shí)驗(yàn)條件下,改進(jìn)算法對項(xiàng)...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖4.1線性回歸Fig.4.1Linearregression獲取批注好的訓(xùn)練模型后，可以在邏輯回歸算法中進(jìn)行模型訓(xùn)練，得到一組訓(xùn)練

圖4.1線性回歸Fig.4.1Linearregression的訓(xùn)練模型后，可以在邏輯回歸算法中進(jìn)行模型訓(xùn)練1122.,=(,y),(,y),...,(,y)nnnIxxx，此訓(xùn)練數(shù)據(jù)為每個項(xiàng)目中的并且，對于任意一個項(xiàng)目I，用映射I....

圖4.2sigmoid函數(shù)曲線

圖4.2sigmoid函數(shù)曲線Fig.4.2Curveofsigmoidfunction模型是一個被sigmoid函數(shù)所歸一化后的線性回歸模型，數(shù)樣本（項(xiàng)目）的特征及其最優(yōu)權(quán)值，將對應(yīng)于特征12,,xx叫做回歸系數(shù)，對得到的最優(yōu)權(quán)值進(jìn)行求和就是每個....

圖5.4四個數(shù)據(jù)集處理前后不同推薦算法的MAE值比較

41c)DS50數(shù)據(jù)集d)DS300數(shù)據(jù)集圖5.4四個數(shù)據(jù)集處理前后不同推薦算法的MAE值比較Fig.5.4MAEcomparisonofdifferentalgorithmsbeforeandafterfourdatasetsproc....

本文編號：4048702