推薦系統(tǒng)作為當下信息檢索的重要工具,在電子商務等諸多領域得到了廣泛的應用和發(fā)展。隨著2004年web2.0概念的提出,互聯(lián)網(wǎng)進入了用戶自由標注產生內容的時代。社會化標簽在電子商務領域被普遍使用,用戶通過自由標注能夠更好的對資源按自己喜好分類,推薦系統(tǒng)也能夠根據(jù)標簽進行用戶興趣預測,進行高效的推薦。推薦算法根據(jù)用戶的信息、資源的信息和瀏覽信息等內容進行偏好預測推薦,使得推薦系統(tǒng)面臨著以下幾方面的問題:數(shù)據(jù)量的膨脹使其面臨著數(shù)據(jù)稀疏性的問題,根據(jù)用戶的信息和瀏覽記錄預測興趣偏好時的隱私泄露問題,用戶興趣隨時間遷移改變的問題等等。針對以上情況進行相應的研究和改進,主要內容如下。(1)針對數(shù)據(jù)稀疏性問題進行了研究,提出利用Slope one算法對用戶沒有評價過的資源進行評分預測填充,緩解稀疏性問題。標簽作為連接用戶和資源之間的橋梁,通過評分更能反應用戶在使用標簽時對資源的態(tài)度,因此將評分和標簽融合。通過評分矩陣對標簽進行加權更有利于提高推薦準確性。(2)針對隱私泄露問題進行了研究,提出在對用戶進行模糊c均值聚類時引入差分隱私保護思想的方法;在聚類過程中加入Laplace噪聲,保護聚類中心點,產生...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 標簽推薦研究現(xiàn)狀
        1.2.3 差分隱私推薦研究現(xiàn)狀
    1.3 研究內容
    1.4 本文組織結構
第2章 個性化推薦相關理論與算法
    2.1 個性化推薦系統(tǒng)
    2.2 協(xié)同過濾推薦算法
        2.2.1 基于用戶的協(xié)同過濾算法
        2.2.2 基于物品的協(xié)同過濾算法
    2.3 聚類算法
        2.3.1 k-means聚類
        2.3.2 模糊c均值聚類
    2.4 差分隱私保護技術
    2.5 本章小結
第3章 改進的模糊c均值聚類算法
    3.1 聚類算法存在的問題
    3.2 改進的模糊c均值算法
    3.3 實驗結果及分析
        3.3.1 實驗數(shù)據(jù)
        3.3.2 聚類評價標準
        3.3.3 實驗結果分析
    3.4 本章小結
第4章 融合標簽和隱私保護的聚類推薦算法
    4.1 差分隱私保護
        4.1.1 隱私問題分析
        4.1.2 差分隱私保護下的模糊c均值聚類
        4.1.3 算法滿足ε-差分隱私的證明
    4.2 融合標簽和隱私保護的聚類算法
        4.2.1 用戶標簽相關性計算
        4.2.2 資源推薦
        4.2.3 改進的整體算法
    4.3 實驗結果與分析
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 評價指標
        4.3.3 對比實驗設計
    4.4 本章小結
第5章 電影推薦系統(tǒng)的設計與實現(xiàn)
    5.1 系統(tǒng)需求分析
        5.1.1 功能需求
        5.1.2 非功能需求
    5.2 系統(tǒng)架構設計
    5.3 數(shù)據(jù)庫設計
    5.4 系統(tǒng)實現(xiàn)
        5.4.1 系統(tǒng)環(huán)境
        5.4.2 核心推薦模塊實現(xiàn)
    5.5 系統(tǒng)頁面展示及測試
        5.5.1 系統(tǒng)前臺展示及測試
        5.5.2 系統(tǒng)后臺展示及測試
    5.6 本章小結
結論
參考文獻
攻讀碩士學位期間所發(fā)表的學術論文
致謝



本文編號：4022196