隨著網(wǎng)絡(luò)資源數(shù)據(jù)量的爆炸式增長(zhǎng),用戶獲取有效信息的難度增大,在這一背景下推薦系統(tǒng)應(yīng)運(yùn)而生�，F(xiàn)今,推薦算法已被廣泛應(yīng)用于電子商務(wù)等不同應(yīng)用場(chǎng)景之中。針對(duì)當(dāng)下主流商用推薦系統(tǒng)中應(yīng)用最廣泛的協(xié)同過(guò)濾推薦算法,不同的學(xué)者采取了相應(yīng)的措施進(jìn)行改進(jìn)。其中協(xié)同過(guò)濾算法最關(guān)鍵的步驟莫過(guò)于用戶（或項(xiàng)目）相似度計(jì)算,但傳統(tǒng)算法在評(píng)分矩陣數(shù)據(jù)稀疏的情況下預(yù)測(cè)精度較低,所以針對(duì)上述問(wèn)題,本文提出了基于鄰居用戶評(píng)分誤差的改進(jìn)協(xié)同過(guò)濾算法,主要貢獻(xiàn)如下:1、本文改進(jìn)算法采用逆向思維,從項(xiàng)目特征屬性出發(fā),考慮項(xiàng)目的特征屬性對(duì)用戶的評(píng)分行為影響。此外,考慮到用戶評(píng)分?jǐn)?shù)據(jù)復(fù)雜性,本文利用BP神經(jīng)網(wǎng)絡(luò)能處理復(fù)雜非線性問(wèn)題的優(yōu)點(diǎn),通過(guò)結(jié)合粒子群優(yōu)化算法全局尋優(yōu)的特點(diǎn),構(gòu)建出用戶與項(xiàng)目屬性特征之間的評(píng)分預(yù)測(cè)模型,簡(jiǎn)稱PSO-BP評(píng)分預(yù)測(cè)模型,通過(guò)以模型輸出的鄰居用戶預(yù)測(cè)評(píng)分與目標(biāo)用戶同一項(xiàng)目歷史實(shí)際評(píng)分的誤差為評(píng)判標(biāo)準(zhǔn),以此來(lái)判定用戶間的喜好相似程度,進(jìn)而改善傳統(tǒng)算法在評(píng)分矩陣數(shù)據(jù)稀疏的情況下,預(yù)測(cè)評(píng)分準(zhǔn)確性和可靠性較低的問(wèn)題,提高傳統(tǒng)算法在矩陣數(shù)據(jù)稀疏情況下的評(píng)分預(yù)測(cè)精度。2、本文通過(guò)自定義相似度計(jì)算函數(shù)計(jì)算出的相似度矩陣... 

【文章來(lái)源】：江西農(nóng)業(yè)大學(xué)江西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

協(xié)同過(guò)濾層次結(jié)構(gòu)圖

個(gè)性化推薦服務(wù)已經(jīng)成為現(xiàn)今網(wǎng)絡(luò)服務(wù)的主要形式。面對(duì)眼花繚亂的商品，顧客往往不知所措，盲目的進(jìn)入到商品的海洋里尋找自己想要的東西，而瀏覽大量無(wú)關(guān)的商品信息會(huì)消磨客戶購(gòu)物的耐心，從而導(dǎo)致潛在交易的失敗，也無(wú)形中給平臺(tái)以及商家?guī)?lái)?yè)p失。這個(gè)時(shí)候如果有一個(gè)優(yōu)質(zhì)的推薦系統(tǒng)可以根據(jù)用戶的興趣愛(ài)好、購(gòu)買(mǎi)或消費(fèi)記錄等信息進(jìn)行具有針對(duì)性的服務(wù)是不是能更大程度上促成交易的成功呢，個(gè)性化推薦系統(tǒng)（Personalized Recommendation System）正是基于這樣的背景下產(chǎn)生的，個(gè)性化推薦系統(tǒng)又稱為信息過(guò)濾系統(tǒng)，它不但能夠?yàn)榭蛻暨^(guò)濾掉大量無(wú)關(guān)信息，減輕用戶負(fù)擔(dān)，還能對(duì)客戶以往的瀏覽、購(gòu)買(mǎi)記錄等信息進(jìn)行數(shù)據(jù)挖掘，并以此來(lái)分析客戶的興趣愛(ài)好，向用戶推薦現(xiàn)在或?qū)?lái)他可能感興趣的商品及提出對(duì)應(yīng)的信息建議等，從而將商品精準(zhǔn)的推薦給用戶。個(gè)性化推薦系統(tǒng)主要有三大模塊組成：用戶建模模塊、推薦對(duì)象建模模塊、推薦算法模塊，其中最重要的要屬推薦算法模塊[17]。下圖為個(gè)性化推薦系統(tǒng)的模型框架圖，從圖中我們看到用戶提供自己的興趣愛(ài)好給系統(tǒng)，系統(tǒng)在獲取興趣愛(ài)好后建立用戶模型，通過(guò)融合推薦對(duì)象模型以及結(jié)合推薦算法，將計(jì)算出的對(duì)象推薦給用戶。

個(gè)性化推薦算法及相關(guān)技術(shù)他主流推薦算法基于內(nèi)容的推薦算法于內(nèi)容的推薦(Content-based Recommendation)是一種經(jīng)典的推薦算法，算法于信息過(guò)濾和信息檢索領(lǐng)域，該算法根據(jù)用戶之前的興趣愛(ài)好資料以及已消數(shù)據(jù)信息去發(fā)現(xiàn)內(nèi)容之間的關(guān)聯(lián)性，并以此來(lái)推薦與其過(guò)去喜歡項(xiàng)目相類(lèi)似通俗的說(shuō)，基于內(nèi)容的推薦(Content-based Recommendation)就是分析用戶之過(guò)的商品，發(fā)現(xiàn)它們之間的聯(lián)系，以此來(lái)確定目標(biāo)物品的屬性特征，來(lái)向用品。算法流程如圖 2.2 所示

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)糧食產(chǎn)量預(yù)測(cè)模型[J]. 宗宸生,鄭煥霞,王林山.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(12)
[2]基于改進(jìn)粒子群優(yōu)化BPAdaboost神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測(cè)[J]. 李曉理,梅建想,張山.  大連理工大學(xué)學(xué)報(bào). 2018(03)
[3]神經(jīng)網(wǎng)絡(luò)的高反差圖像增強(qiáng)算法研究[J]. 梁康康,李濤.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(09)
[4]基于改進(jìn)粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)在大壩變形分析中的應(yīng)用[J]. 齊銀峰,譚榮建.  水利水電技術(shù). 2017(02)
[5]雙重聚類(lèi)的協(xié)同過(guò)濾算法在智能家居中的應(yīng)用[J]. 胡磊,蔡紅霞,俞濤.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(02)
[6]Attribute Reduction with Rough Set in Context-Aware Collaborative Filtering[J]. HE Ming,REN Wanpeng.  Chinese Journal of Electronics. 2017(05)
[7]基于用戶-項(xiàng)目的混合協(xié)同過(guò)濾算法[J]. 陳彥萍,王賽.  計(jì)算機(jī)技術(shù)與發(fā)展. 2014(12)
[8]基于天貓商城的推薦系統(tǒng)應(yīng)用研究[J]. 楊凱,王瑾.  科技風(fēng). 2014(19)
[9]基于改進(jìn)的雙極Slope One算法的農(nóng)業(yè)信息推薦模型研究[J]. 張啟宇,宋瑤,陳英義,封文杰.  安徽農(nóng)業(yè)科學(xué). 2014(29)
[10]改進(jìn)的QPSO-BP算法的鈾價(jià)格預(yù)測(cè)模型及應(yīng)用[J]. 陳建宏,周漢陵,于鳳玲,楊珊.  計(jì)算機(jī)工程與應(yīng)用. 2013(21)

博士論文
[1]協(xié)同過(guò)濾推薦算法的關(guān)鍵性問(wèn)題研究[D]. 黃山山.山東大學(xué) 2016
[2]客戶協(xié)同產(chǎn)品創(chuàng)新中沖突協(xié)調(diào)與消解的關(guān)鍵技術(shù)研究[D]. 王小磊.重慶大學(xué) 2010

碩士論文
[1]基于譜聚類(lèi)SM算法的協(xié)同過(guò)濾推薦算法研究[D]. 陳清華.江西農(nóng)業(yè)大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)協(xié)同過(guò)濾推薦算法[D]. 溫錦雄.華南理工大學(xué) 2018
[3]面向稀疏數(shù)據(jù)的個(gè)性化推薦算法研究[D]. 朱金棟.北京郵電大學(xué) 2018
[4]基于AP聚類(lèi)算法的推薦系統(tǒng)研究[D]. 于潤(rùn)杰.河北大學(xué) 2017
[5]一種基于用戶信任度的改進(jìn)協(xié)同過(guò)濾算法研究與實(shí)現(xiàn)[D]. 曾一飛.湖南大學(xué) 2017
[6]基于協(xié)同過(guò)濾和雷達(dá)圖法的信息運(yùn)維技能培訓(xùn)平臺(tái)研究[D]. 徐鵬飛.東北電力大學(xué) 2017
[7]新型協(xié)同過(guò)濾推薦算法研究[D]. 李歡.安徽大學(xué) 2017
[8]基于深度學(xué)習(xí)的圖像識(shí)別方法研究與應(yīng)用[D]. 文馗.華中師范大學(xué) 2017
[9]面向稀疏性數(shù)據(jù)的協(xié)同過(guò)濾推薦算法的研究[D]. 云祥富.吉林大學(xué) 2017
[10]中國(guó)移動(dòng)互聯(lián)網(wǎng)渠道建設(shè)策略研究[D]. 朱曉鳴.浙江工業(yè)大學(xué) 2017



本文編號(hào)：3380359