近年來(lái),個(gè)性化推薦系統(tǒng)技術(shù)在電子商務(wù),廣告銷售等互聯(lián)網(wǎng)行業(yè)中應(yīng)用極其廣泛。推薦系統(tǒng)在沒有明確的用戶需求環(huán)境下,僅通過(guò)分析用戶行為就能為用戶的興趣進(jìn)行建模,提供千人千面的信息和產(chǎn)品。本文針對(duì)基于傳統(tǒng)協(xié)同過(guò)濾算法存在的擴(kuò)展性弱、數(shù)據(jù)稀疏和推薦準(zhǔn)確率低等問題,在第三章提出一種改進(jìn)模糊劃分聚類的協(xié)同過(guò)濾推薦算法。在傳統(tǒng)基于修正余弦相似度計(jì)算方法上,引入時(shí)間差(timediff-item)因子,熱門產(chǎn)品(popular-item)權(quán)重因子以及冷門產(chǎn)品(Nonfashion-item)權(quán)重因子以改善相似度計(jì)算結(jié)果,避免人為客觀因素造成相似度計(jì)算結(jié)果遠(yuǎn)偏離真實(shí)情況;同時(shí)引入改進(jìn)模糊劃分的GIFP-FCM算法,將屬性特征相似的產(chǎn)品聚成一類,構(gòu)造索引矩陣,同索引間根據(jù)產(chǎn)品間的相似度尋找產(chǎn)品最近鄰居構(gòu)成推薦,來(lái)降低計(jì)算復(fù)雜度。為測(cè)試GIFP-CCF+算法的有效性,在Netflix數(shù)據(jù)集和MovieLens數(shù)據(jù)集上通過(guò)與Kmeans-CF、FCM-CF和GIFP-CCF推薦算法進(jìn)行仿真對(duì)比實(shí)驗(yàn),證明了GIFP-CCF+算法在推薦結(jié)果和推薦精度上具有一定的優(yōu)越性。GIFP-CCF+推薦算法存在容易受到聚類簇?cái)?shù)...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文組織結(jié)構(gòu)
第二章 相關(guān)理論及技術(shù)綜述
    2.1 推薦系統(tǒng)
        2.1.1 推薦系統(tǒng)架構(gòu)
        2.1.2 推薦系統(tǒng)屬性
    2.2 協(xié)同過(guò)濾算法
        2.2.1 算法基本流程
        2.2.2 協(xié)同過(guò)濾算法分類
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 相似性度量方法
        2.3.2 采樣
        2.3.3 降維
        2.3.4 去噪
    2.4 推薦算法相關(guān)問題
        2.4.1 擴(kuò)展性問題研究
        2.4.2 數(shù)據(jù)稀疏性問題研究
        2.4.3 冷啟動(dòng)問題研究
        2.4.4 穩(wěn)定性問題研究
    2.5 本章小節(jié)
第三章 改進(jìn)模糊劃分聚類的協(xié)同過(guò)濾推薦算法
    3.1 改進(jìn)相似度計(jì)算方法
        3.1.1 popular-item權(quán)重因子
        3.1.2 timediff-item權(quán)重因子
        3.1.3 Nonfashion-item權(quán)重因子
        3.1.4 改進(jìn)相似度item-SIMi,j
    3.2 聚類操作分析
    3.3 算法描述
    3.4 實(shí)驗(yàn)過(guò)程及結(jié)果
    3.5 本章小結(jié)
第四章 引入時(shí)間效應(yīng)的SVD++線性回歸推薦算法
    4.1 SVD++模型
    4.2 線性回歸模型
    4.3 引入時(shí)間效應(yīng)的SVD++線性回歸推薦算法
        4.3.1 timeSVD++LR推薦算法原理
        4.3.2 算法描述
        4.3.3 實(shí)驗(yàn)過(guò)程及結(jié)果
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻碩士學(xué)位期間所發(fā)表的論文
致謝



本文編號(hào)：3848404