互聯(lián)網(wǎng)技術(shù)的發(fā)展和各種信息終端的不斷更新?lián)Q代,促進(jìn)了大量信息的產(chǎn)生和傳播,用戶想要從大量數(shù)據(jù)中找出對自己有用的內(nèi)容無異于大海撈針。因此很多電子商務(wù)網(wǎng)站使用了針對用戶的個性化推薦技術(shù):通過相應(yīng)的推薦算法,從用戶的歷史行為數(shù)據(jù)中計(jì)算出用戶的偏好,并向他們推薦可能喜歡的產(chǎn)品。雖然推薦算法能夠有效地減少用戶檢索信息的時(shí)間,并提高用戶的檢索效率,但是許多傳統(tǒng)的推薦算法仍然存在缺陷,除了冷啟動、樣本稀疏等問題以外,很多推薦算法都沒有考慮到時(shí)間效應(yīng)的重要性。因此本文將深入研究時(shí)間效應(yīng)對產(chǎn)品熱度的影響,綜合產(chǎn)品熱度的周期特性,以及用戶興趣隨時(shí)間變化而變化的特性,對原有算法提出改進(jìn)。本文的主要工作內(nèi)容可以分為以下幾點(diǎn):(1)首先,本文綜述了各種傳統(tǒng)的推薦算法,包括基于內(nèi)容、基于知識以及基于關(guān)聯(lián)規(guī)則的推薦算法等。通過對各種算法的分析來比較出它們各自的不足,然后提出動態(tài)推薦的概念,引出時(shí)間效應(yīng)對推薦算法精確度的影響。(2)由于產(chǎn)品的熱度會隨著時(shí)間變化而周期性變化,本文對傳統(tǒng)的余弦相似度算法進(jìn)行了改進(jìn)。通過對產(chǎn)品時(shí)間效應(yīng)的計(jì)算,優(yōu)化了產(chǎn)品的相似度算法,同時(shí)考慮到部分產(chǎn)品的熱度受時(shí)間變化的影響不大,本文把改進(jìn)部分...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1 協(xié)同過濾算法的分類

Breese和Heckerman[14]認(rèn)為,協(xié)同過濾推薦算法主要可分為兩大類：基于內(nèi)存（Memory-based）的協(xié)同過濾算法和基于模型（Model-based）的協(xié)同過濾算法�；趦�(nèi)存的協(xié)同過濾算法又可以分為基于用戶（User-based）的協(xié)同過濾算法和基于物品（Item....

圖3.1 曼哈頓距離示意圖

給定圖中兩黑點(diǎn),只能向上、下、左、右四個方向移動,則圖中的最短移動距離就是曼哈頓距離。比如說,從左下方的黑點(diǎn)移動到右上方,為了保證沒有多余的移動步驟,就需要每一步都是向右或者向上移動的,并且每次移動都能夠減少當(dāng)前位置和終點(diǎn)的距離。圖中1號線所標(biāo)出的就是兩點(diǎn)之間的曼哈頓距離,而同時(shí)....

圖3.2不同N值的TUCS算法準(zhǔn)確率在不同β下的值

在本文的實(shí)驗(yàn)中,使用了Pearson相關(guān)系數(shù)、谷本系數(shù)（Tanimoto）相似度算法與本文提出的TUCS算法對比。最終實(shí)驗(yàn)結(jié)果如下列圖片所示：圖3.3不同N值的TUCS算法召回率在不同下的值

圖3.3 不同N值的TUCS算法召回率在不同β下的值

圖3.2不同N值的TUCS算法準(zhǔn)確率在不同下的值圖3.4三種算法召回率在不同N下的值

本文編號：4018856