互聯(lián)網(wǎng)的快速發(fā)展使人們從當(dāng)初的信息匱乏時(shí)代邁入了信息過載的時(shí)代。在電影為代表的互聯(lián)網(wǎng)視頻資源信息平臺(tái)中,傳統(tǒng)的搜索引擎通過關(guān)鍵字來獲取信息,如果關(guān)鍵字的準(zhǔn)確度高則可能得到自己想要的答案,如果準(zhǔn)確度不高,那么搜索結(jié)果就會(huì)出現(xiàn)大量選項(xiàng)信息,用戶不僅會(huì)花費(fèi)大量時(shí)間,而且不一定能得到自己需要的信息,因此,通過輸入關(guān)鍵字搜索技術(shù)已滿足不了用戶個(gè)性化的需求。個(gè)性化網(wǎng)絡(luò)時(shí)代是希望系統(tǒng)能從用戶的數(shù)據(jù)中分析用戶的行為,發(fā)掘用戶的興趣偏好,為用戶找出符合其需求的信息資源。推薦系統(tǒng)的出現(xiàn)滿足了用戶的這一需求。首先,本文分析了國(guó)內(nèi)外相關(guān)文獻(xiàn)資料,了解到早期的推薦技術(shù)是通過用戶對(duì)物品的評(píng)分,得到評(píng)分矩陣建立相似性來劃分近鄰,依據(jù)與他相鄰的用戶喜好也類似的思想,完成推薦。然而,隨著電影數(shù)量不斷的增加,用戶僅對(duì)少量電影進(jìn)行評(píng)分,建立的評(píng)分矩陣較稀疏,導(dǎo)致推薦算法的準(zhǔn)確度下降。因此,本文通過組合策略的思想來對(duì)電影推薦進(jìn)行研究。然后,文章介紹了目前廣泛應(yīng)用的幾種推薦技術(shù)。講述了這幾種推薦技術(shù)研究的內(nèi)容及應(yīng)用現(xiàn)狀,針對(duì)稀疏數(shù)據(jù)推薦效果不佳問題,利用GroupLens提供的MovieLens 20m數(shù)據(jù)集,設(shè)計(jì)了改進(jìn)的基于... 

【文章來源】：天津商業(yè)大學(xué)天津市

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于人口統(tǒng)計(jì)學(xué)的推薦Figure2-1Recommendationsbasedondemographics基于人口統(tǒng)計(jì)學(xué)推薦的優(yōu)點(diǎn)：

第二章 推薦系統(tǒng)及其相關(guān)技術(shù)性較低，用戶的興趣隨著時(shí)間很可能會(huì)動(dòng)態(tài)的發(fā)生變化，但是入很大程度上就不會(huì)改變。一些品味獨(dú)特的用戶可能得不到很好的推薦。內(nèi)容的推薦容的推薦是通過用戶以往的行為數(shù)據(jù)進(jìn)行分析，為用戶推薦與容上非常類似的物品。沒有利用其他用戶的數(shù)據(jù)進(jìn)行分析，因響，也不存在數(shù)據(jù)稀疏性的問題，并且能夠?yàn)樯贁?shù)有特殊偏好用戶 A 喜歡動(dòng)作和冒險(xiǎn)類電影，那么當(dāng)出現(xiàn)類型相同的電影 C推薦原理如圖 2-2 所示。

薦的物品與用戶以往選擇的物品在特征上具有相似性，因此，法推薦。并且對(duì)于圖片，音頻和視頻等非文本類信息無法處理濾推薦是人們研究及生活應(yīng)用中較多的個(gè)性化推薦技術(shù)，算法思想是有相似興趣的鄰居，給目標(biāo)用戶推薦其鄰居用戶所喜愛的項(xiàng)目樣的項(xiàng)目，提高新穎性和用戶滿意度[12]。本文將講述協(xié)同過濾用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法。協(xié)同過濾統(tǒng)中，基于用戶的協(xié)同過濾算法是提出比較早的算法。算法對(duì)物品的評(píng)分?jǐn)?shù)據(jù)來建立用戶-項(xiàng)目評(píng)分矩陣，之后計(jì)算系統(tǒng)戶，將這些近鄰用戶的評(píng)價(jià)綜合起來產(chǎn)生一個(gè)推薦，將其中未給用戶。比如，用戶 A 喜歡電影 A、C，用戶 C 喜歡電影 A、為用戶 A 和用戶 C 相似，那么可以推薦用戶 A 看沒看過的電-3 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于奇異值分解和項(xiàng)目屬性的推薦算法[J]. 張建軍,陸國(guó)生,劉征宇.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[2]基于聚類的隱式用戶興趣建模[J]. 呂新波,關(guān)毅.  智能計(jì)算機(jī)與應(yīng)用. 2013(01)
[3]基于知識(shí)圖譜的國(guó)內(nèi)外個(gè)性化推薦比較研究[J]. 武慧娟,周蘭萍,辛躍.  東北電力大學(xué)學(xué)報(bào). 2012(05)
[4]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[5]聚類分析在中等職業(yè)學(xué)校學(xué)生專業(yè)選擇分析中的應(yīng)用[J]. 王新龍.  長(zhǎng)治學(xué)院學(xué)報(bào). 2010(05)
[6]一種基于內(nèi)容和協(xié)同過濾同構(gòu)化整合的推薦系統(tǒng)模型[J]. 李忠俊,周啟海,帥青紅.  計(jì)算機(jī)科學(xué). 2009(12)
[7]個(gè)性化推薦系統(tǒng)評(píng)價(jià)方法綜述[J]. 劉建國(guó),周濤,郭強(qiáng),汪秉宏.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2009(03)
[8]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)
[9]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)
[10]中文文本過濾的信息分流機(jī)制[J]. 林鴻飛,李業(yè)麗,姚天順.  計(jì)算機(jī)研究與發(fā)展. 2000(04)

博士論文
[1]協(xié)同過濾技術(shù)及其在推薦系統(tǒng)中的應(yīng)用研究[D]. 冷亞軍.合肥工業(yè)大學(xué) 2013
[2]基于協(xié)同過濾的個(gè)性化Web推薦[D]. 孫慧峰.北京郵電大學(xué) 2012

碩士論文
[1]基于SVD的推薦系統(tǒng)研究及其應(yīng)用[D]. 王燕.太原理工大學(xué) 2017
[2]面向盈利能力的上市運(yùn)輸企業(yè)融資結(jié)構(gòu)研究[D]. 劉衍佚.華北水利水電大學(xué) 2017
[3]基于內(nèi)容和協(xié)同過濾的混合算法在推薦系統(tǒng)中的應(yīng)用研究[D]. 何佳知.東華大學(xué) 2016
[4]基于用戶興趣聚類的協(xié)同過濾算法的研究與實(shí)現(xiàn)[D]. 肖彪.重慶大學(xué) 2015
[5]用戶興趣模型及實(shí)時(shí)個(gè)性化推薦算法研究[D]. 楊晶.南京郵電大學(xué) 2013
[6]基于組合模型的醫(yī)生推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 劉彭.東華大學(xué) 2013
[7]基于混合算法的個(gè)性化電子商務(wù)推薦系統(tǒng)研究[D]. 李丹丹.天津財(cái)經(jīng)大學(xué) 2008



本文編號(hào)：3524223