隨著信息技術(shù)和互聯(lián)網(wǎng)的快速發(fā)展,以此產(chǎn)生的數(shù)據(jù)量呈指數(shù)級別增長,信息過載問題日益嚴(yán)重,人們很難從海量的信息中找到自己真正感興趣的東西。個性化推薦技術(shù),能夠根據(jù)用戶的年齡性別等社會化屬性,歷史行為等顯性或隱性信息,采用多種推薦算法,主動為用戶做出推薦,幫助用戶進行決策。憑借其強大的信息推送能力,個性化推薦受到了傳播學(xué)界的廣泛關(guān)注。但是目前學(xué)界對于個性化推薦的研究多集中于其影響機制,對于個性化推薦算法本身的介紹很少,更沒有優(yōu)化其性能表現(xiàn)的推薦改進研究,推薦算法完全處于“黑箱”之中。本文首先對個性化推薦的主要算法進行了詳細(xì)的文字描述和公式說明,并指出各自的優(yōu)缺點以及適用場景:第一,用戶相似度的計算上,如何引入新的特征屬性來進行衡量,使得用戶的近鄰更加的準(zhǔn)確;第二,熱門物品的干擾性,采用什么樣的策略能夠?qū)衢T物品進行懲罰;第三,用戶-物品評分矩陣的稀疏性問題。針對上述的問題,本文在過去的協(xié)同過濾算法的基礎(chǔ)上,提出了新的改進方式,包括基于社群關(guān)系的信任模型,來提高用戶相似度計算的準(zhǔn)確性,從而改善個性化推薦的效果。最后本文改進的算法模型在豆瓣讀書數(shù)據(jù)集上進行了實驗,通過實驗結(jié)果的對比說明了改進的協(xié)...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
一 緒論
    (一)研究背景及意義
        1 研究背景
        2 研究意義
    (二)國內(nèi)外研究現(xiàn)狀
        1 基于協(xié)同過濾推薦算法研究現(xiàn)狀
            (1)基于記憶的協(xié)同過濾算法
            (2)基于模型的推薦算法
        2 基于內(nèi)容的推薦算法研究現(xiàn)狀
        3 混合推薦算法研究現(xiàn)狀
        4 小結(jié)
    (三)研究方法
        1 計算機工程法
            (1)網(wǎng)絡(luò)爬蟲
            (2)算法實現(xiàn)
        2 數(shù)學(xué)建模法
        3 實驗對照法
    (四)論文的內(nèi)容與結(jié)構(gòu)
        1 論文的主要內(nèi)容
        2 論文的結(jié)構(gòu)安排
二 個性化推薦及相關(guān)算法
    (一)個性化推薦概述
    (二)個性化推薦系統(tǒng)的主要應(yīng)用領(lǐng)域
        1 電子商務(wù)
        2 電影和視頻網(wǎng)站
        3 音樂
        4 新聞閱讀
        5 社交媒體
    (三)個性化推薦相關(guān)算法
        1 基于內(nèi)容的推薦
        2 協(xié)同過濾推薦算法
            (1)基于記憶的推薦
            (2)基于模型的推薦
        3 混合推薦算法
三 基于網(wǎng)絡(luò)社群的信任關(guān)系以及熱門物品懲罰改進的協(xié)同過濾算法研究
    (一)傳統(tǒng)的協(xié)同過濾算法存在的問題
        1 數(shù)據(jù)稀疏性
        2 冷啟動
        3 可擴展性
    (二)改進的協(xié)同過濾算法模型
        1 理論基礎(chǔ)
            (1)網(wǎng)絡(luò)社群與身份認(rèn)同
            (2)身份認(rèn)同與信任
            (3)信任與相似度的關(guān)系
        2 改進的思路
        3 改進的基于網(wǎng)絡(luò)社群的信任關(guān)系和熱門懲罰的算法模型
四 實驗設(shè)計及結(jié)果分析
    (一)數(shù)據(jù)集及數(shù)據(jù)集獲取
        1 實驗數(shù)據(jù)集概述
        2 實驗數(shù)據(jù)集選取
    (二)算法在數(shù)據(jù)集上的評測指標(biāo)
        1 準(zhǔn)確率
        2 精確率與召回率
        3 覆蓋率
        4均方根誤差(RMSE)和平均絕對誤差(MAE)
    (三)實驗環(huán)境
        1 硬件配置
        2 軟件配置
    (四)實驗方案
    (五)實驗結(jié)果分析
五 總結(jié)與展望
    (一)全文總結(jié)
        1 本文的創(chuàng)新點如下
            (1)改進了傳統(tǒng)的協(xié)同過濾算法用戶相似度的計算方法
            (2)使用新穎、真實、更加落地的數(shù)據(jù)集
        2 本文不足
            (1)有限的解決數(shù)據(jù)稀疏性的問題
            (2)算法在數(shù)據(jù)集上的提升幅度不大
    (二)未來展望
附錄
致謝
參考文獻



本文編號：3734960