本文關(guān)鍵詞：基于協(xié)同過濾的個性化推薦算法研究及系統(tǒng)實現(xiàn)　出處：《西南交通大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 推薦系統(tǒng) 協(xié)同過濾 基于用戶的協(xié)同過濾算法 k-means聚類算法 用戶相似度 懲罰因子 推薦系統(tǒng)實現(xiàn)

【摘要】：隨著互聯(lián)網(wǎng)的飛速發(fā)展,信息呈現(xiàn)幾何級的增長,海量數(shù)據(jù)問題日趨嚴重,用戶快速獲得自己感興趣的信息變得相當困難。加之移動設(shè)備的普及,用戶更愿意在移動設(shè)備上獲取信息。在這樣的情況下,個性化推薦系統(tǒng)應(yīng)運而生。本文在實際需求的驅(qū)動下,首先了解推薦系統(tǒng)的理論知識,學(xué)習(xí)相關(guān)推薦算法,然后重點研究了協(xié)同過濾推薦算法和k-means聚類算法,并對協(xié)同過濾算法進行改進。最后設(shè)計和實現(xiàn)了文章推薦子系統(tǒng)。本文做的工作主要有以下幾個方面:1.分析了熱門對象可能對推薦算法中用戶相似度的影響,提出在計算用戶相似度時加入懲罰因子,以降低熱門對象對用戶相似度的影響。通過實驗驗證,提出的算法的準確率和召回率都有所提高。2.對于協(xié)同過濾算法的時間瓶頸及擴展問題,提出了采用聚類算法對協(xié)同過濾算法進行改進。在聚類時不單單使用用戶的評分信息,而且挖掘了用戶評分對象的特征信息,通過這兩部分信息為用戶偏好進行建模,進而聚類。通過實驗驗證,改進后的算法的推薦效率與預(yù)測準確率都有所提升。在此基礎(chǔ)上,綜合懲罰因子與用戶聚類兩種策略來改進基于用戶的協(xié)同過濾算法。通過實驗驗證,綜合改進比任意的單一改進在推薦效率與推薦質(zhì)量都要優(yōu)越。3.根據(jù)某公司業(yè)務(wù)的特定手機應(yīng)用場景和具體需求,應(yīng)用提出的協(xié)同過濾算法設(shè)計并實現(xiàn)了文章推薦子系統(tǒng)。該子系統(tǒng)主要包含用戶日志收集與處理模塊、用戶與推薦對象建模模塊、推薦模塊和推薦列表展示模塊,并且對這四個模塊進行設(shè)計與實現(xiàn)。
[Abstract]:With the rapid development of Internet, information is growing exponentially, massive data is becoming a serious problem, users quickly get the interesting information becomes quite difficult. Coupled with the popularity of mobile devices, users prefer to get information on a mobile device. In this case, the personalized recommendation system came into being. Based on the actual needs of the driver first, understand the theory of knowledge recommendation system, learning recommendation algorithm, and then focus on the collaborative filtering algorithm and K-means clustering algorithm and the collaborative filtering algorithm was improved. The design and implementation of the recommended subsystem. The main work of this paper is as follows: 1. analysis of hot objects may affect the user recommendation algorithm in similarity, is proposed by adding a penalty factor in calculating the similarity of users, in order to reduce the degree of similarity of users hot. Ring. Through the experiment, the accuracy of the proposed algorithm and the recall rate has increased to.2. and extended the time bottleneck problem in collaborative filtering algorithm, the clustering algorithm of collaborative filtering algorithm is improved. Not only the user clustering score information and mining feature information of user rating objects. Through this two part information for user preference modeling and clustering. Through the experiment, the recommended efficiency and improved prediction accuracy are improved. On this basis, the comprehensive penalty factor and user clustering two strategies to improve user based collaborative filtering algorithm. Through the experiment, comprehensive improvement than single improvement in any recommendation efficiency and quality of recommendation can be superior to.3. according to specific application scenarios of a mobile phone business and the specific needs, using the proposed collaborative filtering algorithm. The sub recommendation system is implemented and implemented. The subsystem mainly includes user log collection and processing module, user and recommendation object modeling module, recommendation module and recommendation list display module, and designs and implements these four modules.

【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關(guān)期刊論文 前10條

1 閆東東;李紅強;;一種改進的基于內(nèi)容的個性化推薦模型[J];軟件導(dǎo)刊;2016年04期

2 于洪;李俊華;;一種解決新項目冷啟動問題的推薦算法[J];軟件學(xué)報;2015年06期

3 金建國;;聚類方法綜述[J];計算機科學(xué);2014年S2期

4 安維;劉啟華;張李義;;個性化推薦系統(tǒng)的多樣性研究進展[J];圖書情報工作;2013年20期

5 朱麗中;徐秀娟;劉宇;;基于項目和信任的協(xié)同過濾推薦算法[J];計算機工程;2013年01期

6 周濤;陸惠玲;;數(shù)據(jù)挖掘中聚類算法研究進展[J];計算機工程與應(yīng)用;2012年12期

7 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

8 徐德智;李小慧;;基于云模型的項目評分預(yù)測推薦算法[J];計算機工程;2010年17期

9 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[J];計算機學(xué)報;2010年08期

10 周世兵;徐振源;唐旭清;;新的K-均值算法最佳聚類數(shù)確定方法[J];計算機工程與應(yīng)用;2010年16期

，

本文編號：1364424