隨著移動互聯(lián)網(wǎng)的發(fā)展以及智能手機的普及,人們在享受科技帶來便捷的同時,信息過載問題變得日益嚴峻。如何幫助用戶從海量的數(shù)據(jù)中,準確挑選出用戶感興趣的信息推薦給用戶,這就是推薦系統(tǒng)所要解決的問題。在線購物或點評網(wǎng)站如Amazno、Epinions的快速興起,使得這些服務(wù)提供商所獲取數(shù)據(jù)的稀疏性和分散性問題變得日益嚴峻。這就會導致根據(jù)這些稀疏分散的數(shù)據(jù)所進行的相關(guān)推薦,準確性和推薦質(zhì)量都會嚴重下降,使得用戶無法獲得滿意的推薦結(jié)果。而傳統(tǒng)的推薦方法如協(xié)同過濾方法,具有一些固有的問題如冷啟動,推薦效率和準確度不高的問題。并且當用戶和項目規(guī)模增加時,協(xié)同過濾算法的推薦性能下降很快。由于傳統(tǒng)推薦算法的不足,需要改變已有的推薦方式并引入新的數(shù)據(jù)源來提升算法的推薦質(zhì)量,提高系統(tǒng)的推薦性能。另一方面現(xiàn)有的推薦算法只能根據(jù)用戶的所有歷史反饋信息進行挖掘,預測用戶的偏好。而這些反饋信息是融合在一起的,并沒有先后次序之分,算法忽略了用戶的短期的偏好,只考慮了用戶的長期偏好。眾所周知一個人的某些偏好并不是一成不變的,而是會隨著時間的推移而改變,所以挖掘出用戶的短期偏好對于推薦系統(tǒng)來說尤為重要。針對傳統(tǒng)推薦方法的不... 

【文章來源】：黑龍江大學黑龍江省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 現(xiàn)有方法存在的主要問題
    1.4 本文主要研究內(nèi)容
    1.5 本文的組織安排
第二章 背景知識
    2.1 基于鄰域的推薦算法
    2.2 聚類算法
    2.3 Next-Basket推薦
    2.4 社區(qū)發(fā)現(xiàn)模塊度
    2.5 本章小結(jié)
第三章 基于社交信任聚類的推薦
    3.1 引言
    3.2 相關(guān)工作
    3.3 預備知識
        3.3.1 算法框架
        3.3.2 用戶關(guān)系數(shù)據(jù)預處理
        3.3.3 用戶相似性計算
    3.4 信任關(guān)系聚類
        3.4.1 信任值預測
        3.4.2 評分預測
    3.5 實驗結(jié)果與分析
        3.5.1 實驗數(shù)據(jù)
        3.5.2 評價標準
        3.5.3 參數(shù)的選擇
        3.5.4 推薦性能對比
    3.6 本章小結(jié)
第四章 基于社區(qū)發(fā)現(xiàn)的馬爾可夫序列推薦
    4.1 引言
    4.2 相關(guān)工作
    4.3 Next-Basket推薦的馬爾可夫模型
    4.4 融合社區(qū)發(fā)現(xiàn)的個性化馬爾可夫模型
        4.4.1 個性化馬爾可夫模型
        4.4.2 遺忘屬性
        4.4.3 社區(qū)發(fā)現(xiàn)
        4.4.4 項目相似性
    4.5 實驗結(jié)果與分析
        4.5.1 數(shù)據(jù)集及實驗環(huán)境
        4.5.2 評價標準
        4.5.3 遺忘屬性的影響
        4.5.4 推薦性能對比
    4.6 本章小結(jié)
結(jié)論
參考文獻
致謝
攻讀碩士學位期間發(fā)表的學術(shù)論文


【參考文獻】：
期刊論文
[1]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學報. 2017(03)



本文編號：3406434