近年來,人工智能、大數(shù)據(jù)等新技術(shù)迅速發(fā)展,互聯(lián)網(wǎng)規(guī)模逐年擴(kuò)大,產(chǎn)生了大量的互聯(lián)網(wǎng)企業(yè)等,人們的生活方式由此發(fā)生了巨大的改變。在信息暴增的大數(shù)據(jù)時(shí)代,人們的周圍充斥著各種數(shù)不勝數(shù)的信息,難以從海量的數(shù)據(jù)中精準(zhǔn)找到自己需要的內(nèi)容,信息過載是這個(gè)時(shí)期急需解決的問題。推薦系統(tǒng)的產(chǎn)生能很好的解決這一問題,但是當(dāng)新物品出現(xiàn)時(shí),系統(tǒng)中沒有關(guān)于它的任何評(píng)分信息,從而其很難被推薦給用戶,因此出現(xiàn)了冷啟動(dòng)問題。為解決推薦系統(tǒng)冷啟動(dòng)問題,實(shí)現(xiàn)新物品的個(gè)性化推薦,本文融合關(guān)系挖掘與協(xié)同過濾算法,主要內(nèi)容為:(1)本文提出了融合關(guān)系挖掘與協(xié)同過濾的物品冷啟動(dòng)推薦算法(IMCF)。首先基于關(guān)系挖掘提取并擴(kuò)展物品特征,采用關(guān)系挖掘方法提取物品間三種相互關(guān)系,擴(kuò)展屬性的數(shù)量,豐富目標(biāo)物品的可用屬性信息,增加物品間區(qū)分度,解決了實(shí)際中物品屬性信息少且難以提取的問題。然后提出基于關(guān)系挖掘的近鄰選取方法,改進(jìn)傳統(tǒng)方法對(duì)物品間相似度計(jì)算的不足,解決鄰近物品集單一的問題。最后將關(guān)系挖掘與協(xié)同過濾算法相結(jié)合,并引入了調(diào)節(jié)參數(shù)進(jìn)行結(jié)果尋優(yōu),可以同時(shí)解決新物品完全冷啟動(dòng)和非完全冷啟動(dòng)問題。(2)本文提出了基于關(guān)系挖掘與物品權(quán)重和離散...

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容和結(jié)構(gòu)安排
        1.3.1 研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
2 理論基礎(chǔ)與相關(guān)技術(shù)
    2.1 推薦系統(tǒng)簡介
        2.1.1 基于內(nèi)容過濾算法
        2.1.2 協(xié)同過濾算法
        2.1.3 混合過濾算法
    2.2 協(xié)同過濾算法簡介
    2.3 冷啟動(dòng)
    2.4 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
3 融合關(guān)系挖掘與協(xié)同過濾的物品冷啟動(dòng)推薦算法
    3.1 物品屬性關(guān)系特征提取
    3.2 基于關(guān)系挖掘鄰近物品的提取方法
    3.3 IMCF推薦算法
    3.4 本文算法討論
    3.5 實(shí)驗(yàn)與結(jié)果分析
        3.5.1 實(shí)驗(yàn)設(shè)置和評(píng)估指標(biāo)
        3.5.2 實(shí)驗(yàn)結(jié)果及相關(guān)方法對(duì)比
        3.5.3 參數(shù)分析
        3.5.4 實(shí)驗(yàn)分析
        3.5.5 本章方法分析與討論
    3.6 本章小結(jié)
4 基于關(guān)系挖掘與物品權(quán)重和離散程度的推薦算法
    4.1 物品權(quán)重計(jì)算方法
    4.2 IMWD相似度優(yōu)化方法
    4.3 IMWD預(yù)測及推薦結(jié)果
    4.4 算法流程
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 IMWD參數(shù)分析
        4.5.2 IMWD的推薦精確度
        4.5.3 IMWD的推薦多樣性
        4.5.4 IMWD的推薦新穎性
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3842192