互聯(lián)網(wǎng)的快速發(fā)展讓人們進(jìn)入了信息過(guò)載時(shí)代,用戶(hù)在網(wǎng)絡(luò)上尋找信息猶如大海撈針一般,而推薦系統(tǒng)則可以主動(dòng)為用戶(hù)推薦其感興趣的信息,作為推薦系統(tǒng)的核心組成部分,推薦算法備受重視。協(xié)同過(guò)濾算法作為目前應(yīng)用最廣泛的一種推薦算法,受到國(guó)內(nèi)外眾多學(xué)者研究,提出了很多優(yōu)化和改進(jìn)方法,并獲得了不錯(cuò)的效果,但是數(shù)據(jù)稀疏、片面關(guān)注用戶(hù)評(píng)分信息、用戶(hù)興趣漂移等問(wèn)題仍然存在并且長(zhǎng)期存在。本文提出了一種基于用戶(hù)評(píng)分與類(lèi)別聚類(lèi)的個(gè)性化推薦方法(URCC-CF),對(duì)傳統(tǒng)的基于用戶(hù)的協(xié)同過(guò)濾算法進(jìn)行優(yōu)化。主要研究工作包括:(1)用戶(hù)的興趣偏好會(huì)隨時(shí)間推移而發(fā)生變化,即存在用戶(hù)興趣漂移問(wèn)題。本文基于艾賓浩斯遺忘曲線來(lái)構(gòu)建時(shí)間因子對(duì)用戶(hù)評(píng)分進(jìn)行加權(quán)修正,早期的評(píng)分賦予較低權(quán),近期評(píng)分賦予較高權(quán)重。采用SVD算法對(duì)用戶(hù)-項(xiàng)目評(píng)分矩陣進(jìn)行降維填充,一定程度上緩解了稀疏性,提高相似性計(jì)算的準(zhǔn)確性。(2)傳統(tǒng)的用戶(hù)相似性計(jì)算僅考慮用戶(hù)的評(píng)分,然而用戶(hù)評(píng)分不是衡量用戶(hù)偏好的唯一因素,用戶(hù)對(duì)項(xiàng)目類(lèi)別的偏好在很大程度上也體現(xiàn)了用戶(hù)的相似性。本文綜合項(xiàng)目類(lèi)別偏好、項(xiàng)目類(lèi)別比例和主觀評(píng)分偏好三個(gè)指標(biāo)構(gòu)建用戶(hù)-類(lèi)別評(píng)分矩陣,并根據(jù)其結(jié)果為用戶(hù)...

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 推薦系統(tǒng)的發(fā)展及研究
        1.2.1 推薦系統(tǒng)的發(fā)展
        1.2.2 國(guó)內(nèi)外文獻(xiàn)研究
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 推薦算法相關(guān)概述
    2.1 推薦系統(tǒng)概述
    2.2 推薦算法分類(lèi)
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 協(xié)同過(guò)濾推薦算法
        2.2.3 混合推薦算法
    2.3 推薦算法的相關(guān)理論
        2.3.1 相似度度量方法
        2.3.2 評(píng)測(cè)標(biāo)準(zhǔn)
第三章 相關(guān)算法介紹
    3.1 SVD算法
        3.1.1 SVD算法概述
        3.1.2 SVD算法原理
    3.2 聚類(lèi)算法
        3.2.1 K-means聚類(lèi)算法
        3.2.2 模糊C均值聚類(lèi)算法
    3.3 花朵授粉算法
        3.3.1 花朵授粉算法概述
        3.3.2 異花授粉與自花授粉
        3.3.3 花朵授粉算法流程
    3.4 時(shí)間因子加權(quán)
        3.4.1 Logistic函數(shù)
        3.4.2 艾賓浩斯遺忘曲線
第四章 基于用戶(hù)評(píng)分與類(lèi)別聚類(lèi)的個(gè)性化推薦方法
    4.1 項(xiàng)目評(píng)分
        4.1.1 評(píng)分加權(quán)
        4.1.2 矩陣填充
    4.2 項(xiàng)目類(lèi)別
        4.2.1 用戶(hù)-類(lèi)別評(píng)分矩陣的構(gòu)建
        4.2.2 用戶(hù)-類(lèi)別評(píng)分矩陣的聚類(lèi)
    4.3 產(chǎn)生推薦結(jié)果
第五章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)集
    5.2 實(shí)驗(yàn)結(jié)果分析
        5.2.1 權(quán)重系數(shù)λ對(duì)實(shí)驗(yàn)結(jié)果的影響分析
        5.2.2 聚類(lèi)個(gè)數(shù)k對(duì)實(shí)驗(yàn)結(jié)果的影響分析
        5.2.3 實(shí)驗(yàn)結(jié)果準(zhǔn)確性對(duì)比分析
        5.2.4 實(shí)驗(yàn)結(jié)果覆蓋率對(duì)比分析
        5.2.5 聚類(lèi)算法優(yōu)化對(duì)比分析
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3829925