本文關(guān)鍵詞：基于評分矩陣的推薦算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：由于評分?jǐn)?shù)據(jù)源的規(guī)模不斷增長,在數(shù)據(jù)信息推薦的過程中,計算時間以及精度方面的問題亟待解決,提高推薦結(jié)果的精確度以及降低誤差率,在推薦系統(tǒng)方面是很有意義的。在文中進行了相關(guān)的研究,主要做的工作有以下3個方面。第一,文中在數(shù)據(jù)實驗的基礎(chǔ)上,得出基于用戶的協(xié)同過濾推薦算法(User Collaborative filtering recommendation algorithm,UserCF)和基于物品的協(xié)同過濾推薦算法(Item Collaborative filtering recommendation algorithm,ItemCF)的特性,并針對評分矩陣數(shù)據(jù)集中的用戶量和物品量的變化趨勢采用以上兩種過濾算法進行實驗分析。結(jié)果表明,根據(jù)評分?jǐn)?shù)據(jù)特征選擇合適的過濾算法,能夠使算法的效率更高,更好的達到推薦的目的。第二,在C++語言的環(huán)境下編寫程序,以評分矩陣為數(shù)據(jù)源,計算UserCF和ItemCF算法在不同K值下的準(zhǔn)確率、召回率、覆蓋率和新穎度值,通過四個評測指標(biāo)的實驗來驗證UserCF和ItemCF算法的特點。通過數(shù)據(jù)實驗和經(jīng)驗總結(jié)法,分析UserCF和ItemCF的算法特征。根據(jù)UserCF和ItemCF算法的特點,分析了適用于不同場景的推薦算法的性能,提出了基于評分矩陣的推薦算法。第三,通過計算MAE的值來確定文中算法的誤差率和精確度。完成基于MovieLens評分?jǐn)?shù)據(jù)的實驗并得出結(jié)論,根據(jù)矩陣特征來先判斷使用何種算法,然后計算相似度并進行推薦,能達到理想的推薦效果,且時間復(fù)雜度有所降低。
【關(guān)鍵詞】：信息推薦 評分矩陣 協(xié)同過濾
【學(xué)位授予單位】：重慶師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 中文摘要5-6
• 英文摘要6-9
• 1 緒論9-13
• 1.1 研究背景與研究意義9-10
• 1.2 推薦系統(tǒng)概述10-12
• 1.2.1 推薦系統(tǒng)現(xiàn)狀概述10-11
• 1.2.2 推薦系統(tǒng)研究成果概述11-12
• 1.2.3 推薦系統(tǒng)面臨問題概述12
• 1.3 文章的結(jié)構(gòu)安排12-13
• 2 推薦系統(tǒng)及算法分析13-23
• 2.1 推薦系統(tǒng)概述13-14
• 2.2 推薦系統(tǒng)的總體框架14-16
• 2.3 推薦系統(tǒng)算法分類16-21
• 2.3.1 協(xié)同過濾推薦算法16-18
• 2.3.2 基于內(nèi)容推薦18-19
• 2.3.3 基于關(guān)聯(lián)規(guī)則推薦19
• 2.3.4 基于知識推薦19-20
• 2.3.5 基于標(biāo)簽的推薦系統(tǒng)20
• 2.3.6 組合推薦20-21
• 2.4 推薦系統(tǒng)的未來研究趨勢21-22
• 2.5 本章小結(jié)22-23
• 3 協(xié)同過濾算法及評測指標(biāo)23-37
• 3.1 協(xié)同過濾算法概述23-26
• 3.1.1 協(xié)同過濾算法的工作原理24
• 3.1.2 協(xié)同過濾的研究內(nèi)容24-26
• 3.2 基于用戶的協(xié)同過濾算法的應(yīng)用26-29
• 3.3 基于物品的協(xié)同過濾算法的應(yīng)用29-31
• 3.4 評測指標(biāo)研究及實驗31-36
• 3.4.1 準(zhǔn)確率32-33
• 3.4.2 召回率33
• 3.4.3 覆蓋率33
• 3.4.4 新穎度33-34
• 3.4.5 各評測指標(biāo)的實現(xiàn)34-36
• 3.5 本章小結(jié)36-37
• 4 基于評分矩陣的推薦算法37-49
• 4.1 試驗數(shù)據(jù)與評分矩陣37-38
• 4.2 算法的度量標(biāo)準(zhǔn)38-40
• 4.3 推薦算法的改進40-42
• 4.4 實驗設(shè)計和結(jié)果分析42-48
• 4.4.1 實驗設(shè)計43-45
• 4.4.2 評分的預(yù)測誤差值45-47
• 4.4.3 實驗結(jié)果分析47-48
• 4.5 本章小結(jié)48-49
• 5 總結(jié)及展望49-51
• 5.1 本文工作總結(jié)49
• 5.2 未來工作展望49-51
• 參考文獻51-54
• 附錄A54-55
• 致謝55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 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[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

中國重要會議論文全文數(shù)據(jù)庫 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：505889