發(fā)布時間：2018-04-13 02:08

  本文選題：推薦算法 + 協(xié)同過濾��； 參考：《浙江大學(xué)》2013年碩士論文

【摘要】：網(wǎng)絡(luò)技術(shù)的迅速發(fā)展和互聯(lián)網(wǎng)應(yīng)用的逐漸豐富,使人們的生活更加的方便多彩,但同時也給人們帶來了信息過載的問題。因為互聯(lián)網(wǎng)上的數(shù)據(jù)過于龐大,人們沒有合適的信息篩選工具,將花費大量時間才能在大規(guī)模的信息資源中找到相關(guān)的資料。傳統(tǒng)的搜索引擎系統(tǒng)在一定程度上解決了這個問題,但同時也存在著一些缺陷：反饋的信息過于雜亂,對用戶的操作要求過高以及無法提供個性化的反饋信息等。推薦系統(tǒng)根據(jù)用戶的長期興趣特點和行為模式,向用戶推薦其感興趣的信息資源,從而進(jìn)一步地解決了信息過載的問題。 本文的研究目的是為了提升推薦算法的預(yù)測準(zhǔn)確性。在本文中,我們認(rèn)為社會主流趨勢的影響造成了推薦中的全局特性,而興趣類似的用戶之間的相互影響產(chǎn)生了推薦中的局部特性。然后我們對推薦系統(tǒng)中的全局和局部特性進(jìn)行了深入的討論,并且分析了用戶評分行為和經(jīng)典的推薦算法中存在的全局和局部特性。通過分析以后,我們認(rèn)為全局性的推薦算法和局部性的推薦算法的基本假設(shè)和側(cè)重點不同,并且每個用戶的行為也是具有明顯的差異性,所以將這兩類算法進(jìn)行混合有利于提高預(yù)測準(zhǔn)確率。于是我們提出了一種個性化混合推薦模型,基于每個用戶的行為特征個性化地整合全局性和局部性的推薦算法的結(jié)果。 最后,我們設(shè)計了詳細(xì)的算法驗證性實驗,測試數(shù)據(jù)集是在學(xué)術(shù)界被廣泛采用的推薦測試數(shù)據(jù)集Movielens。實驗表明,個性化混合推薦模型的預(yù)測準(zhǔn)確率比經(jīng)典的推薦算法有了大幅度的提高,從而證明了該算法的有效性。
[Abstract]:The rapid development of network technology and the gradual enrichment of Internet application make people's life more convenient and colorful, but also bring people the problem of information overload.Because the data on the Internet is too large, people do not have the appropriate information screening tools, and it will take a lot of time to find the relevant information in the large-scale information resources.The traditional search engine system solves this problem to a certain extent, but at the same time there are some defects: the feedback information is too messy, the operation requirement of users is too high, and the personalized feedback information can not be provided.According to the characteristics of users' long-term interests and behavior patterns, the recommendation system recommends the information resources of interest to the users, thus further solving the problem of information overload.The purpose of this paper is to improve the prediction accuracy of the recommendation algorithm.In this paper, we think that the influence of social mainstream trend results in the global characteristics of recommendation, while the interaction among users of similar interest produces the local characteristic of recommendation.Then we discuss the global and local characteristics of the recommendation system and analyze the behavior of users and the global and local characteristics of the classical recommendation algorithms.After analysis, we think that the basic assumptions and emphases of the global recommendation algorithm and the local recommendation algorithm are different, and the behavior of each user is obviously different.Therefore, mixing the two kinds of algorithms is beneficial to improve the prediction accuracy.So we propose a personalized hybrid recommendation model which integrates the results of global and local recommendation algorithms individualized based on each user's behavioral characteristics.Finally, we design a detailed algorithm validation experiment, the test data set is widely used in the academic community of the recommended test data set Movielens.The experimental results show that the prediction accuracy of the personalized hybrid recommendation model is much higher than that of the classical recommendation algorithm, which proves the effectiveness of the proposed algorithm.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 嵇曉聲;劉宴兵;羅來明;;協(xié)同過濾中基于用戶興趣度的相似性度量方法[J];計算機應(yīng)用;2010年10期

2 蘇一丹;王育才;顧新一;;基于獨特型人工免疫網(wǎng)絡(luò)的并行推薦算法的研究[J];計算機應(yīng)用;2008年05期

3 李聰;梁昌勇;董珂;;基于項目類別相似性的協(xié)同過濾推薦算法[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2008年03期

4 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

5 李濤;王建東;葉飛躍;馮新宇;張有東;;一種基于用戶聚類的協(xié)同過濾推薦算法[J];系統(tǒng)工程與電子技術(shù);2007年07期

6 李聰;梁昌勇;;基于屬性值偏好矩陣的協(xié)同過濾推薦算法[J];情報學(xué)報;2008年06期

7 張曉云;李慧;王霞;;基于視覺信息的個性化圖像搜索排名技術(shù)[J];黑龍江科技信息;2009年31期

8 李聰;梁昌勇;楊善林;;電子商務(wù)協(xié)同過濾稀疏性研究:一個分類視角[J];管理工程學(xué)報;2011年01期

9 趙智;時兵;;改進(jìn)的個性化推薦算法[J];長春大學(xué)學(xué)報;2005年06期

10 路璐;;基于aiNET人工免疫網(wǎng)絡(luò)的推薦算法[J];電腦編程技巧與維護(hù);2010年24期

相關(guān)會議論文 前10條

1 梁莘q，

本文編號：1742441