隨著互聯(lián)網(wǎng)的飛速發(fā)展,各類信息層出不窮,人類已步入大數(shù)據(jù)時代。信息時代帶來便捷的同時,也同樣帶來了信息過載的問題。個性化推薦系統(tǒng)可以有效的解決信息過載的問題,在電子商務(wù)、電影、音樂推薦等領(lǐng)域均發(fā)揮著巨大作用。盡管應(yīng)用場景不同,但其基本組成架構(gòu)類似,具有較強的可移植性和適配性。本文選取了電影推薦的場景,借助粒計算模擬人腦處理復(fù)雜問題的方式,將其應(yīng)用到推薦系統(tǒng)的核心——推薦算法中。本文的主要工作如下:（1）分析了常見推薦算法的流程,總結(jié)了常規(guī)相似度計算的優(yōu)缺點,并根據(jù)用戶評分習(xí)慣的不同,利用粒計算中粗細粒子聚合分解的研究方法,對用戶群體進行分類。（2）利用粒度分析的求解思想,提出了分層粒化聚類算法。算法分成離線和在線兩部分:離線部分根據(jù)U-I評分矩陣對所有用戶分層�；�,直到生成最終的推薦聚類,在線部分利用生成的聚類進行推薦。（3）本文利用Django這一輕量級開發(fā)框架,實現(xiàn)了基于粒計算的電影推薦系統(tǒng)。數(shù)據(jù)存儲使用My SQL,用戶可以通過Web瀏覽器實現(xiàn)觀看電影、查看推薦等人機交互操作。設(shè)計管理員模式,管理員可在后臺增刪電影,查看用戶信息。針對系統(tǒng)各模塊設(shè)計了測試用例并進行了功能測試。本文... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

淘寶猜你喜歡推薦界面

第一章緒論上海師范大學(xué)碩士學(xué)位論文2疑是一種雙贏的模式。個性化推薦系統(tǒng)的應(yīng)用場景很多，常見的比如電子商務(wù)，音樂，電影推薦等，下圖1-1和1-2展現(xiàn)了淘寶推薦界面以及優(yōu)酷電影推薦界面。圖1-1淘寶猜你喜歡推薦界面圖1-2優(yōu)酷好劇推薦推薦界面視頻網(wǎng)站是互聯(lián)網(wǎng)的重要組成部分，現(xiàn)在的視頻網(wǎng)站往往存有數(shù)以萬計的電影。很多網(wǎng)站提供搜索引擎可便用戶直接搜索目標電影，但是搜索的方式僅能幫助有明確目標的用戶，觀看電影作為一種悠閑娛樂的方式導(dǎo)致用戶在打開視頻網(wǎng)站的時候并沒有明確的目標。如果用戶僅通過翻頁的方式來尋找自己想看的電影可能會感到疲勞甚至放棄觀看。這種情況下，個性化推薦系統(tǒng)就顯得尤為重要。通過用戶的歷史點播信息，推薦與用戶喜好相符的電影，可以大大增加用戶的觀

第一章緒論上海師范大學(xué)碩士學(xué)位論文4該算法抽取項目特征，計算不同項目之間的相似度，創(chuàng)建用戶偏愛模型，選取與用戶感興趣項目相似度最高的項目，將它推薦給對應(yīng)的用戶[11]，并根據(jù)用戶反饋結(jié)果，及時進行修正。算法流程圖如下圖1-3所示。圖1-4反映了CB推薦的原理：用戶1、3喜歡的類型均為動作喜劇類，而用戶3又喜歡電影2，那么系統(tǒng)會將電影2推薦給有同類喜好的用戶1。圖1-3基于內(nèi)容的推薦算法流程圖圖1-4基于內(nèi)容的推薦算法示例簡而言之，基于內(nèi)容的推薦就是根據(jù)用戶自己喜歡的項目推薦相似度最高的物品，算法核心就是內(nèi)容相似度的計算[12]。CB算法便于理解，其優(yōu)勢很明顯：對用戶的評價信息依賴程度較低，通過對項目以及用戶屬性的分析，在數(shù)據(jù)稀疏性強的情況下也能夠進行推薦。因為該算法主要關(guān)注的是產(chǎn)品屬性[13]，對待冷門產(chǎn)品以及新產(chǎn)品同樣可以發(fā)現(xiàn)其中的隱藏信息，一定程度上避免冷啟動的問題。當然，CB算法也有其局限性所在：該算法需要大量的數(shù)據(jù)進行訓(xùn)練，對項目特征的提取容易出現(xiàn)不準確等情況，目前沒有非常有效的提取方法[14]。此外，該方法依賴于用戶的歷史行為[15]，很難捕捉到用戶興趣的細微變化，存在推薦結(jié)果單一的情況，難以滿足用戶的需求。2、基于關(guān)聯(lián)規(guī)則推薦：基于關(guān)聯(lián)規(guī)則的推薦（Rule-BasedRecommendation，RB)通過統(tǒng)計歷史數(shù)據(jù)找出事件間的聯(lián)系，是一種利用事物發(fā)生規(guī)律進行推薦的算法[16]。關(guān)聯(lián)規(guī)則的挖掘是該算法重點，可表示為：>，表示事件發(fā)生后，事件會有一定概率發(fā)生，這個概率是通過歷史數(shù)據(jù)統(tǒng)計而來。關(guān)聯(lián)規(guī)則就是指在一個數(shù)據(jù)集中找出項之間的關(guān)系，也稱之為購物籃分析(MarketBasketAnalysis)[17]。關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過程中的相關(guān)性，在零售業(yè)中已經(jīng)得到了成功的應(yīng)用

【參考文獻】：
期刊論文
[1]三支決策-基于粗糙集與粒計算研究視角[J]. 劉盾,李天瑞,楊新,梁德翠.  智能系統(tǒng)學(xué)報. 2019(06)
[2]基于條件信息熵的區(qū)間集決策信息表不確定性度量[J]. 張倚萌,賈修一,唐振民.  南京理工大學(xué)學(xué)報. 2019(04)
[3]一種基于用戶興趣聯(lián)合相似度的協(xié)同過濾算法[J]. 王建芳,韓鵬飛,苗艷玲,司馬海峰.  河南理工大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[4]基于改進用戶相似度的協(xié)同過濾推薦算法研究[J]. 張利.  現(xiàn)代計算機. 2019(17)
[5]個性化推薦及其相關(guān)技術(shù)分析[J]. 冷亞軍,黎忠雪.  內(nèi)蒙古科技與經(jīng)濟. 2019(05)
[6]基于Apriori算法關(guān)聯(lián)規(guī)則推薦教學(xué)視頻應(yīng)用研究[J]. 王詩圓,申瑩,趙永翼.  數(shù)字通信世界. 2019(03)
[7]關(guān)聯(lián)規(guī)則推薦的高效分布式計算框架[J]. 李昌盛,伍之昂,張璐,曹杰.  計算機學(xué)報. 2019(06)
[8]基于知識圖譜的云端個性化測試推薦[J]. 段玉聰,邵禮旭,崔立真,高洪皓.  小型微型計算機系統(tǒng). 2018(12)
[9]基于深度學(xué)習(xí)的短視頻中的物體檢測與內(nèi)容推薦系統(tǒng)研究[J]. 石殷巧,劉守印,馬超.  計算機與現(xiàn)代化. 2018(11)
[10]基于改進內(nèi)容過濾算法的高校圖書館文獻資源個性化推薦研究[J]. 耿立校,晉高杰,李亞函,孫衛(wèi)忠,馬士豪.  圖書情報工作. 2018(21)

碩士論文
[1]個性化推薦系統(tǒng)中冷啟動問題研究[D]. 雷秋雨.北京交通大學(xué) 2019
[2]結(jié)合用戶評分與屬性興趣的協(xié)同過濾推薦算法研究[D]. 唐一民.安徽大學(xué) 2019
[3]基于Apriori算法的圖書館管理系統(tǒng)的設(shè)計與實現(xiàn)[D]. 劉玉靜.青島大學(xué) 2018
[4]基于關(guān)聯(lián)規(guī)則挖掘的個性化推薦方法研究[D]. 劉偉世.北京工業(yè)大學(xué) 2017
[5]個性化混合推薦算法的研究[D]. 張騰季.浙江大學(xué) 2013



本文編號：2988453