互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,使得人類社會(huì)已經(jīng)進(jìn)入信息爆炸的大數(shù)據(jù)時(shí)代,從海量的信息數(shù)據(jù)中快速獲取對(duì)自己有價(jià)值的信息成為研究難題。個(gè)性化推薦能夠以用戶的行為數(shù)據(jù)為依據(jù),挖掘用戶的偏好類型,從而有效地減輕信息過(guò)載,提高信息使用率。協(xié)同過(guò)濾技術(shù)是實(shí)現(xiàn)個(gè)性化推薦的一種成功的算法,該算法對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行分析,挖掘出用戶之間在評(píng)分上的相似度,為目標(biāo)用戶或者目標(biāo)項(xiàng)目找到鄰居集,以此來(lái)完成推薦。本文針對(duì)傳統(tǒng)協(xié)同過(guò)濾因冷啟動(dòng)而無(wú)法推薦的問(wèn)題,提出了兩種改進(jìn)的協(xié)同過(guò)濾算法,在缺少歷史行為記錄的情況下,完成對(duì)新用戶和新項(xiàng)目的推薦。（1）融合用戶信息和BP網(wǎng)絡(luò)的協(xié)同過(guò)濾算法（Collaborative Filtering Algorithm Combined with User’s Attributes and Back Propagation Network,UA-BP-CF）,UA-BP-CF算法首先計(jì)算用戶間基于特征屬性的分量相似度,傳入BP網(wǎng)絡(luò)的輸入層,然后經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)加權(quán)計(jì)算得到輸出神經(jīng)元的值,以此作為衡量新用戶相似度的依據(jù),從而解決新用戶的冷啟動(dòng)問(wèn)題,完成推薦。（2）結(jié)合項(xiàng)目?jī)?nèi)容和層次聚類的協(xié)同過(guò)濾算法（... 

【文章來(lái)源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

亞馬遜網(wǎng)站為用戶推薦的購(gòu)買(mǎi)書(shū)單

協(xié)同過(guò)濾算法中冷啟動(dòng)問(wèn)題的研究3圖1.2豆瓣網(wǎng)站為用戶推薦同一類型的電影在學(xué)術(shù)領(lǐng)域，自從90年代起，推薦系統(tǒng)發(fā)展成為一個(gè)獨(dú)立的研究領(lǐng)域，研究學(xué)者們舉辦了多個(gè)專業(yè)性的學(xué)術(shù)會(huì)議，同時(shí)建立了相關(guān)的學(xué)術(shù)期刊。隨著推薦技術(shù)應(yīng)用的不斷增加，其對(duì)應(yīng)的局限性和缺點(diǎn)也暴露出來(lái)了。為了得到更好的推薦效果，研究學(xué)者們致力于發(fā)現(xiàn)其局限問(wèn)題，優(yōu)化傳統(tǒng)的推薦技術(shù)，發(fā)表了一系列研究成果。文獻(xiàn)[16]研究了針對(duì)用戶的圖書(shū)推薦系統(tǒng)，改進(jìn)了對(duì)圖書(shū)評(píng)分的相似度計(jì)算方法，將用戶間共同項(xiàng)目的相似度添加為閾值，用戶評(píng)級(jí)數(shù)量也包括在計(jì)算過(guò)程中。文獻(xiàn)[17]分析了經(jīng)典智能推薦算法運(yùn)用于C2B個(gè)性化定制場(chǎng)景中的局限性，提出采用隱式反饋數(shù)據(jù)、獨(dú)立運(yùn)行推薦步驟、考慮屬性相關(guān)性的改進(jìn)思路。文獻(xiàn)[18]利用頻繁項(xiàng)集完成個(gè)性化推薦，實(shí)現(xiàn)新聞推薦系統(tǒng)，縮小計(jì)算數(shù)據(jù)的范圍，加快了推薦效率。文獻(xiàn)[19]提出了一種基于二元特征的競(jìng)爭(zhēng)關(guān)系模型，和基于競(jìng)爭(zhēng)關(guān)系的混合推薦模型。1.3本文研究?jī)?nèi)容本文研究的是個(gè)性化推薦技術(shù)，在閱讀相關(guān)文獻(xiàn)的基礎(chǔ)上，學(xué)習(xí)了一些常見(jiàn)的推薦技術(shù)，重點(diǎn)研究協(xié)同過(guò)濾推薦算法，針對(duì)它的冷啟動(dòng)問(wèn)題進(jìn)行算法的改進(jìn)，主要包括以下內(nèi)容：（1）分析并研究了傳統(tǒng)協(xié)同過(guò)濾算法的實(shí)現(xiàn)原理、存在的問(wèn)題以及現(xiàn)階段的一些改進(jìn)措施，著重研究協(xié)同過(guò)濾推薦算法的冷啟動(dòng)問(wèn)題。

協(xié)同過(guò)濾算法中冷啟動(dòng)問(wèn)題的研究72個(gè)性化推薦相關(guān)技術(shù)2.1主要推薦技術(shù)2.1.1推薦技術(shù)概述個(gè)性化推薦系統(tǒng)(RecommendationSystem)[20]是指，信息檢索的系統(tǒng)或網(wǎng)站獲取大量的用戶歷史行為記錄，在此基礎(chǔ)上進(jìn)行數(shù)據(jù)分析的智能信息過(guò)濾技術(shù)。當(dāng)用戶面對(duì)大量的信息數(shù)據(jù)無(wú)法快速高效地處理時(shí)，推薦系統(tǒng)可以自動(dòng)預(yù)測(cè)用戶可能喜歡的物品，將其推薦給用戶，是一種提高信息使用率，減緩信息超載問(wèn)題的有效方法。推薦系統(tǒng)的結(jié)果是“一對(duì)一”的，不同的用戶，系統(tǒng)推薦的結(jié)果也是不同的，滿足了用戶需求的多元化和個(gè)性化，同時(shí)可以增加網(wǎng)站的交易量和瀏覽次數(shù)。推薦系統(tǒng)在電商平臺(tái)、視頻音樂(lè)、社交網(wǎng)絡(luò)、電子閱讀等領(lǐng)域都有著廣泛的使用，為網(wǎng)站帶來(lái)了巨大的經(jīng)濟(jì)效益。推薦系統(tǒng)的組成模型如圖2.1所示，它的工作基礎(chǔ)是獲取并分析用戶的行為記錄數(shù)據(jù)和興趣偏好信息，用戶的偏好數(shù)據(jù)分為顯式數(shù)據(jù)和隱式數(shù)據(jù)，顯式數(shù)據(jù)包括用戶的特征數(shù)據(jù)、所給評(píng)分、評(píng)論的文本信息和點(diǎn)贊收藏記錄等，隱式數(shù)據(jù)包括用戶對(duì)商品的搜索次數(shù)、點(diǎn)擊商品數(shù)、頁(yè)面的瀏覽時(shí)間等。根據(jù)收集到的用戶偏好信息為用戶的興趣偏好建模，將用戶的興趣模型和推薦的對(duì)象模型相結(jié)合，推薦算法就可以為其完成推薦。圖2.1推薦系統(tǒng)的構(gòu)成模型選擇哪一種推薦算法，就會(huì)決定有怎樣的推薦質(zhì)量。在實(shí)際應(yīng)用中，經(jīng)常出現(xiàn)的推薦技術(shù)有基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦和協(xié)同過(guò)濾推薦等，在下

【參考文獻(xiàn)】：
期刊論文
[1]融合用戶興趣的協(xié)同過(guò)濾算法[J]. 趙佳旭,陳志德,饒緒黎.  福建電腦. 2019(09)
[2]一種面向稀疏數(shù)據(jù)基于間接評(píng)分的協(xié)同過(guò)濾算法[J]. 張超,顏偉.  曲阜師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[3]個(gè)性化推薦系統(tǒng)綜述[J]. 代麗,樊粵湘.  計(jì)算機(jī)時(shí)代. 2019(06)
[4]基于二次篩選的協(xié)同過(guò)濾可擴(kuò)展性問(wèn)題研究[J]. 冷亞軍,黎忠雪,楊晶.  內(nèi)蒙古科技與經(jīng)濟(jì). 2019(09)
[5]基于Apriori算法的高校Web日志挖掘系統(tǒng)構(gòu)建[J]. 王春玲,李川,李想.  中國(guó)林業(yè)教育. 2019(02)
[6]基于Apriori算法的航空設(shè)備故障關(guān)聯(lián)分析[J]. 陳秀秀,劉凱,馬雙濤,劉麗,陳思琦.  山東師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[7]協(xié)同過(guò)濾算法中冷啟動(dòng)問(wèn)題研究[J]. 邵煜,謝穎華.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[8]改進(jìn)的協(xié)同過(guò)濾算法及其并行化實(shí)現(xiàn)[J]. 李嵩,李書(shū)琴,劉斌.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(12)
[9]基于Hadoop平臺(tái)的優(yōu)化協(xié)同過(guò)濾推薦算法研究[J]. 申晉祥,鮑美英.  軟件. 2018(12)
[10]一種基于k-modes的冷啟動(dòng)問(wèn)題解決算法[J]. 肖文杰.  福建電腦. 2018(08)

博士論文
[1]基于競(jìng)爭(zhēng)關(guān)系的推薦技術(shù)研究[D]. 姜邵巍.北京郵電大學(xué) 2014

碩士論文
[1]基于協(xié)同過(guò)濾的新聞推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 薛松.山東師范大學(xué) 2019
[2]基于情感分析的神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾[D]. 李柯.南京大學(xué) 2019
[3]數(shù)據(jù)稀疏情況下的協(xié)同過(guò)濾推薦算法研究[D]. 李博.北京郵電大學(xué) 2019
[4]基于K-means和FP-growth算法的電力負(fù)荷預(yù)測(cè)研究[D]. 芮晨.蘭州理工大學(xué) 2019
[5]基于FP-Growth的關(guān)聯(lián)規(guī)則算法研究及其在高校教育大數(shù)據(jù)中的應(yīng)用[D]. 杜夢(mèng)欣.吉林大學(xué) 2019
[6]基于用戶的協(xié)同過(guò)濾算法在圖書(shū)推薦系統(tǒng)中的應(yīng)用研究[D]. 柯賢斌.長(zhǎng)江大學(xué) 2019
[7]面向稀疏性數(shù)據(jù)的協(xié)同過(guò)濾推薦算法研究[D]. 章金平.安徽大學(xué) 2019
[8]制造企業(yè)面向C2B個(gè)性化定制的智能推薦研究[D]. 馬婧.東南大學(xué) 2018
[9]基于理性行為理論的推薦模型及其項(xiàng)目冷啟動(dòng)問(wèn)題研究[D]. 黃曉琴.廈門(mén)大學(xué) 2018
[10]基于頻繁項(xiàng)集的個(gè)性化推薦的研究[D]. 李鵬飛.北京郵電大學(xué) 2017



本文編號(hào)：3446448