由于互聯(lián)網(wǎng)技術(shù)的發(fā)展,信息爆炸式地呈現(xiàn)在人們面前。指數(shù)型增長(zhǎng)的數(shù)據(jù)資源,使得精準(zhǔn)獲取有價(jià)值的信息需求更加迫切。個(gè)性化推薦技術(shù)隨之進(jìn)入人們的視野,該技術(shù)通過采集用戶的歷史行為信息,分析支配該行為的內(nèi)在原因即用戶可能存在的偏好,以此為依據(jù)結(jié)合推薦算法主動(dòng)向用戶提供信息服務(wù)和決策支撐。在個(gè)性化推薦領(lǐng)域當(dāng)中被普遍使用的是協(xié)同過濾算法,目前對(duì)其的探索最為廣泛。本文針對(duì)傳統(tǒng)算法中存在的可擴(kuò)展性和推薦的時(shí)效性等問題提出一種改進(jìn)的協(xié)同過濾推薦算法,并將其成功應(yīng)用到中小企業(yè)服務(wù)平臺(tái)上。論文的主要研究?jī)?nèi)容如下:（1）著重研究協(xié)同過濾中基于用戶、項(xiàng)目和模型的算法。討論了相似性度量方式和算法衡量的標(biāo)準(zhǔn),闡述了算法面臨的問題和改進(jìn)迫切性。（2）提出基于partition算法改進(jìn)的協(xié)同過濾算法。應(yīng)用partition算法將數(shù)據(jù)庫(kù)劃分成幾個(gè)互不相交的子庫(kù),并尋找局部頻繁項(xiàng)集。再使用Pearson相關(guān)度量來(lái)找到前n個(gè)相似的鄰居。在查詢包含j項(xiàng)的頻繁項(xiàng)集聯(lián)合形成U類的前提下,通過預(yù)測(cè)在U類中推薦具有更高評(píng)價(jià)的前n個(gè)項(xiàng)目。（3）在真實(shí)的數(shù)據(jù)集上通過實(shí)驗(yàn)表明該算法的平均絕對(duì)誤差和平均方根誤差均低于傳統(tǒng)算法,與此同時(shí)算法的覆... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Partition算法流程圖

Coverage 描述了推薦系統(tǒng)向用戶推薦的系統(tǒng)的推薦是否全面的常用指標(biāo)，該值越大系統(tǒng)覆蓋i ii 1-NP QMAEN 2i ii 1( )NP QRMSEN ( ) ( )( )u Uu UIP u IR uCoverageIR u 結(jié)果FBP 算法、Enrique 等人提出的關(guān)聯(lián)規(guī)則算法［65］(En)](Huang)的平均絕對(duì)誤差（MAE）。

］的平均絕對(duì)誤差（MAE）值進(jìn)行比對(duì)。結(jié)果如下圖4.3。圖 4.3 四種算法在不同鄰居數(shù)下的 MAE 比較圖 4.3 顯示當(dāng)最近鄰居的數(shù)量一定時(shí)，CFBP 算法的 MAE 值小于其他算法。 且在MinSup=0.2， MinConf=0.4，最近鄰數(shù)目為 50 時(shí)，本文算法的 MAE 值達(dá)到最小值，即算法的預(yù)測(cè)值最準(zhǔn)確。（3）實(shí)驗(yàn)三通過實(shí)驗(yàn)比較 CFBP、KNN-100[69]和 IRP-CF[70]算法的 MAE,RMSE 和 Coverage 值得出結(jié)果如下圖 4.4 所示從圖 4.4 易得出 KNN-100，IRP-CF 與 CFBP 三種算法的 MAE 和 RMSE 值依次降低，Coverage 值則上升。在三種算法中 CFBP 算法的 MAE 和 RMSE 值最低

【參考文獻(xiàn)】：
期刊論文
[1]一種具有跳躍式前進(jìn)的Apriori算法[J]. 陳方健,張明新,楊昆.  計(jì)算機(jī)應(yīng)用與軟件. 2015(03)
[2]數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘算法的分析研究[J]. 李仕瓊.  電子技術(shù)與軟件工程. 2015(04)
[3]基于項(xiàng)目興趣度的協(xié)同過濾新算法[J]. 孫光明,王碩.  計(jì)算機(jī)應(yīng)用研究. 2013(12)
[4]基于德爾菲法的專家評(píng)估方法[J]. 劉偉濤,顧鴻,李春洪.  計(jì)算機(jī)工程. 2011(S1)
[5]通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J]. 羅辛,歐陽(yáng)元新,熊璋,袁滿.  計(jì)算機(jī)學(xué)報(bào). 2010(08)
[6]基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂.  軟件學(xué)報(bào). 2003(09)
[7]數(shù)據(jù)包絡(luò)分析法（DEA）的研究與應(yīng)用[J]. 李美娟,陳國(guó)宏.  中國(guó)工程科學(xué). 2003(06)

碩士論文
[1]基于多層次灰色綜合評(píng)價(jià)法的中文核心期刊分級(jí)研究[D]. 張新.武漢科技大學(xué) 2014
[2]電子商務(wù)個(gè)性化推薦系統(tǒng)中協(xié)同過濾算法的研究與應(yīng)用[D]. 王桂芬.南昌大學(xué) 2012
[3]模糊綜合評(píng)價(jià)模型的研究及應(yīng)用[D]. 許雪燕.西南石油大學(xué) 2011
[4]基于BP神經(jīng)網(wǎng)絡(luò)的排序評(píng)價(jià)算法研究及其應(yīng)用[D]. 胡彩萍.江西師范大學(xué) 2009



本文編號(hào)：3447281