隨著大數(shù)據(jù)時代的到來,當今時代每天都有大量的數(shù)據(jù)產(chǎn)生,如何使這些信息得到有效的利用是當前的主要問題,上世紀九十年代推薦系統(tǒng)應運而生,其通過對過往信息的整理與分析,可以從海量的信息中快速的找出用戶所需要的信息,使得用戶得到個性化的推薦,從而不斷提高用戶的忠誠度.推薦系統(tǒng)作為信息處理系統(tǒng)大致可以分為:基于內容推薦,協(xié)同過濾推薦和基于模型推薦三類.當前主流的推薦算法為協(xié)同過濾推薦算法,協(xié)同過濾算法又含以下三種類型,一種是基于用戶的協(xié)同過濾,另一種是基于項目的協(xié)同過濾,最后一種是基于模型的協(xié)同過濾.2005年Dianl lemire提出了一種slope one的協(xié)同過濾算法,該算法具有算法簡單,易于實現(xiàn),效率高準確性高等優(yōu)點,但是slope one算法并未考慮用戶之間的個性差異.不得不承認每個人都有自己的個性,所謂的相似也是指在某一方面的相似,正因為如此,slope one算法以整體的相似差異來預測用戶在某特定方面的差異時會產(chǎn)生很大的誤差.以推薦電影為例,如用戶A喜歡看的電影類型為:科幻類和武打類,而用戶B喜歡看科幻類,愛情類的電影,當我們預測用戶B對科幻類電影的評分時,需要計算用戶B與用戶A...

【文章頁數(shù)】：42 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 研究內容與現(xiàn)狀
    1.4 章節(jié)安排
第二章 相關理論
    2.1 符號
    2.2 非個性化算法
    2.3 person reference方案
    2.4 slope one方案
        2.4.1 slope one
        2.4.2 加權slope one
        2.4.3 兩極slope one方案
    2.5 增值slope one方案
        2.5.1 增值slope one
        2.5.2 增值加權slope one
        2.5.3 增值兩極slope one方案
第三章 個性化的動態(tài)slope one
    3.1 個性化的slope one
    3.2 個性化的加權slope one
    3.3 個性化兩極slope one
    3.4 本章小結
第四章 實驗結果與分析
    4.1 實驗環(huán)境
    4.2 實驗數(shù)據(jù)集
    4.3 結果與分析
        4.3.1 評價指標
        4.3.2 結果對比
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝



本文編號：3790139