本文關(guān)鍵詞：基于統(tǒng)計(jì)學(xué)的個(gè)性化推薦算法探究

  更多相關(guān)文章： 統(tǒng)計(jì)學(xué) 大數(shù)據(jù) 協(xié)同過濾 奇異值分析 聚類 個(gè)性化推薦

【摘要】：隨著互聯(lián)網(wǎng)的高速發(fā)展,信息呈爆炸式地增長,大數(shù)據(jù)在飛速的發(fā)展中,數(shù)據(jù)挖掘是一個(gè)充滿活力的研究領(lǐng)域,商業(yè)利益的強(qiáng)大驅(qū)動(dòng)力將會(huì)不斷地促進(jìn)它的發(fā)展,個(gè)性化推薦就屬于大數(shù)據(jù)時(shí)代數(shù)據(jù)挖掘應(yīng)用在互聯(lián)網(wǎng)方面的重要技術(shù)。面對(duì)海量數(shù)據(jù),推薦系統(tǒng)的產(chǎn)生能實(shí)現(xiàn)信息消費(fèi)者和生產(chǎn)者的雙贏。協(xié)同過濾算法是個(gè)性化推薦中最成功和應(yīng)用最廣泛的算法之一,但它依賴于用戶的歷史評(píng)分?jǐn)?shù)據(jù),所以存在冷啟動(dòng),數(shù)據(jù)的稀疏性等問題。 大數(shù)據(jù)新形勢(shì)下,包括個(gè)性化推薦在內(nèi)的各種數(shù)據(jù)挖掘算法給統(tǒng)計(jì)學(xué)帶來了機(jī)遇和挑戰(zhàn),一方面,數(shù)據(jù)挖掘的各種算法很多思想都來自于統(tǒng)計(jì)學(xué)；另一方面,數(shù)據(jù)挖掘面對(duì)統(tǒng)計(jì)學(xué)表現(xiàn)出了強(qiáng)大的生機(jī)。據(jù)此,本文探究在數(shù)據(jù)量比較大的情況下,將統(tǒng)計(jì)分析應(yīng)用到個(gè)性化推薦算法中的效果,同時(shí)也應(yīng)用數(shù)據(jù)挖掘的其他模型,如關(guān)聯(lián)法則,聚類等方法改進(jìn)模型。 本文提出了基于統(tǒng)計(jì)學(xué)的個(gè)性化推薦,主要是利用MATLAB, SAS進(jìn)行輔助編程,分別實(shí)現(xiàn)了描述性統(tǒng)計(jì)、多維關(guān)聯(lián)法則、協(xié)同過濾的算法進(jìn)行推薦。對(duì)協(xié)同過濾模型存在的缺點(diǎn)的改進(jìn),針對(duì)模型的數(shù)據(jù)稀缺性和冷啟動(dòng)問題,結(jié)合用戶的評(píng)分和特征信息,提出用一維和二維的統(tǒng)計(jì)量改進(jìn)數(shù)據(jù)的稀疏度問題,然后利用SQL SERVER2005和EXCEL數(shù)據(jù)挖掘外接模塊對(duì)用戶建立聚類模型,基于各類的統(tǒng)計(jì)分析改進(jìn)模型,聚類模型不僅能解決數(shù)據(jù)的稀缺性,而且能克服冷啟動(dòng)問題；最后通過奇異值分解方法改進(jìn)算法,并由平均絕對(duì)誤差來衡量各種改進(jìn)效果。通過對(duì)比本文得出結(jié)論：根據(jù)用戶的評(píng)分和特征進(jìn)行統(tǒng)計(jì)分析,用分析結(jié)果改進(jìn)協(xié)同過濾算法有比較好的效果,結(jié)合統(tǒng)計(jì)學(xué),數(shù)據(jù)挖掘的模型對(duì)于冷啟動(dòng)問題有較大的改善。本文的實(shí)驗(yàn)可以說明統(tǒng)計(jì)學(xué)的思想在各種復(fù)雜的模型中都能得到體現(xiàn),在未來大數(shù)據(jù)發(fā)展的路上,統(tǒng)計(jì)學(xué)既要保持其最基礎(chǔ)的生命力,同時(shí)要加強(qiáng)在其他學(xué)科的應(yīng)用,推進(jìn)統(tǒng)計(jì)方法制度改革,擴(kuò)展統(tǒng)計(jì)學(xué)研究具體科學(xué)的深度和廣度。
【關(guān)鍵詞】：統(tǒng)計(jì)學(xué) 大數(shù)據(jù) 協(xié)同過濾 奇異值分析 聚類 個(gè)性化推薦
【學(xué)位授予單位】：廈門大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：C81
【目錄】：

• 摘要4-5
• Abstract5-11
• 第一章 緒論11-18
• 1.1 課題的背景和意義11-13
• 1.2 文獻(xiàn)綜述13-15
• 1.3 論文研究內(nèi)容及結(jié)構(gòu)15-18
• 第二章 理論技術(shù)18-39
• 2.1 個(gè)性化推薦與統(tǒng)計(jì)學(xué)18-19
• 2.2 個(gè)性化推薦技術(shù)19-25
• 2.3 關(guān)聯(lián)規(guī)則25-28
• 2.4 協(xié)同過濾28-39
• 第三章 基于統(tǒng)計(jì)分析的推薦39-49
• 3.1 數(shù)據(jù)說明39-40
• 3.2 數(shù)據(jù)準(zhǔn)備40-41
• 3.3 一元描述性統(tǒng)計(jì)推薦41-44
• 3.4 二元描述性統(tǒng)計(jì)推薦44-49
• 第四章 基于規(guī)則的推薦49-53
• 4.1 數(shù)據(jù)整理49
• 4.2 模型過程49-51
• 4.3 結(jié)果分析51-53
• 第五章 協(xié)同過濾算法實(shí)現(xiàn)53-56
• 5.1 數(shù)據(jù)處理53-54
• 5.2 算法過程54-55
• 5.3 結(jié)果分析55-56
• 第六章 基于統(tǒng)計(jì)視角的協(xié)同過濾改進(jìn)56-67
• 6.1 一維角度改進(jìn)數(shù)據(jù)稀疏問題56-57
• 6.2 二維角度改進(jìn)數(shù)據(jù)稀疏問題57-59
• 6.3 基于用戶聚類的協(xié)同過濾59-61
• 6.4 SVD解決數(shù)據(jù)稀疏問題61-63
• 6.5 各種方法下的評(píng)價(jià)絕對(duì)偏差對(duì)比63-67
• 第七章 結(jié)論及展望67-69
• 7.1 研究結(jié)論總結(jié)67-68
• 7.2 未來研究的展望68-69
• 參考文獻(xiàn)69-71
• 附錄 MATLAB代碼71-74
• 致謝74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李揚(yáng);謝邦昌;彭茜茜;;統(tǒng)計(jì)學(xué)習(xí)的過去、現(xiàn)在和將來[J];數(shù)據(jù);2009年07期

2 廖新考;;基于用戶特征和項(xiàng)目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

3 王政霞,黃大榮;基于統(tǒng)計(jì)方法的數(shù)據(jù)挖掘算法研究[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2005年01期

4 王懷亮;;交叉驗(yàn)證在數(shù)據(jù)建模模型選擇中的應(yīng)用[J];商業(yè)經(jīng)濟(jì);2011年10期

5 徐翔;王煦法;;基于SVD的協(xié)同過濾算法的欺詐攻擊行為分析[J];計(jì)算機(jī)工程與應(yīng)用;2009年20期

6 張海燕,丁峰,姜麗紅;基于模糊聚類的協(xié)同過濾推薦方法[J];計(jì)算機(jī)仿真;2005年08期

7 陳華;李仁發(fā);劉鈺峰;練琪;;個(gè)性化搜索引擎推薦算法研究[J];計(jì)算機(jī)應(yīng)用研究;2010年01期

8 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學(xué)報(bào);2008年01期

9 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報(bào);2009年02期

10 朱世武 ,崔嵬 ,張堯庭 ,謝邦昌;數(shù)據(jù)挖掘運(yùn)用的理論與技術(shù)[J];統(tǒng)計(jì)研究;2003年08期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 夏培勇;個(gè)性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

2 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

3 殷瑞飛;數(shù)據(jù)挖掘中的聚類方法及其應(yīng)用[D];廈門大學(xué);2008年

4 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

，

本文編號(hào)：1083550