协同过滤技术在推荐系统中的研究与应用
发布时间：2023-01-29 17:19
据互联网中心的数据报告表明,即便我们坐拥海量信息,可真正找到对自己有用信息的效率变得越来越低;这意味着信息的海量供给和用户需求间的矛盾正在与日俱增。而推荐系统是帮助用户快速发现有用信息的一种工具,是缓解海量信息供给与用户需求矛盾的一种有效解决方案。其中,协同过滤技术是推荐系统中应用最多的技术。本文以协同过滤为研究目标旨在解决该算法中存在的数据稀疏性、冷启动、可扩展性等问题,针对这些问题本文提出了自己的解决方案,研究内容主要包括如下三个方面:（1）相似度计算是协同过滤的核心环节,其计算的准确与否对推荐结果影响很大。在数据非常稀疏的情况下,针对常用的相似度计算结果存在较大偏差,导致推荐结果不理想的问题,本文提出了一种新的相似度计算方法。在有共同评分项目的基础上,根据评分时间越近,用户的相似度越高,所提算法融入时间因素;同时,为避免活跃用户和热门项目对相似度计算造成的不当贡献,本文也进行了相关思考。由实验结果表明,本文的方法在一定程度上提高了推荐准确度。（2）为减少近邻搜索空间,从一定程度上提高推荐系统的可扩展性问题,本文将K均值聚类算法与基于相似度计算的协同过滤算法结合在一起进行推荐。首先...
【文章页数】：53 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状分析
1.3 本文主要研究内容
1.4 论文结构安排
第2章 推荐系统概述
2.1 协同过滤推荐技术
2.1.1 基于用户的协同过滤
2.1.2 基于项目的协同过滤
2.2 其他推荐技术
2.2.1 基于内容的推荐
2.2.2 基于关联规则的推荐
2.3 推荐系统评测
2.3.1 用户满意度
2.3.2 预测准确度
2.3.3 覆盖率
2.3.4 新颖性
2.4 本章小结
第3章 基于相似度计算的协同过滤
3.1 问题的提出
3.2 相关理论研究
3.2.1 常用的相似度模型
3.2.2 相似度模型的改进
3.3 改进相似度计算的协同过滤
3.3.1 数据的来源与说明
3.3.2 实验结果与讨论
3.4 本章小结
第4章 基于K均值聚类的协同过滤
4.1 问题的提出
4.2 K均值聚类算法
4.3 基于K均值的协同过滤算法
4.3.1 算法的基本思想
4.3.2 实验结果与讨论
4.4 本章小结
第5章 基于协同过滤的电影推荐
5.1 系统需求分析
5.2 系统基本设计
5.2.1 架构设计
5.2.2 数据库设计
5.3 系统核心模块
5.3.1 预测模块
5.3.2 推荐模块
5.4 本章小结
结论
主要结果和创新点
进一步的研究工作
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于深度神经网络和改进相似性度量的推荐算法[J]. 邹锋. 计算机应用与软件. 2019(11)
[2]一种有效缓解数据稀疏问题的协同过滤推荐算法[J]. 张清,于博,王辉,邓林. 合肥工业大学学报(自然科学版). 2019(04)
[3]面向搜索引擎的实体推荐综述[J]. 黄际洲,孙雅铭,王海峰,刘挺. 计算机学报. 2019(07)
[4]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[5]基于Apriori算法的关联规则分析[J]. 王晓丽,奚克敏,刘占波,闫实. 软件. 2019(02)
[6]一种结合主题模型的推荐算法[J]. 曹占伟,胡晓鹏. 计算机应用研究. 2019(06)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]一种巴氏系数改进相似度的协同过滤算法[J]. 武文琪,王建芳,张朋飞,刘永利. 计算机应用与软件. 2017(08)
[9]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[10]基于Jaccard相似度和位置行为的协同过滤推荐算法[J]. 李斌,张博,刘学军,章玮. 计算机科学. 2016(12)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[2]个性化推荐技术中的协同过滤算法研究[D]. 夏培勇.中国海洋大学 2011
硕士论文
[1]基于协同过滤的推荐算法及系统实现[D]. 孟俊才.安庆师范大学 2019
[2]面向稀疏性数据的协同过滤推荐算法研究[D]. 章金平.安徽大学 2019
[3]基于协同过滤的个性化新闻推荐系统的设计与实现[D]. 朱满洲.南京理工大学 2019
本文编号：3732713
【文章页数】：53 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状分析
1.3 本文主要研究内容
1.4 论文结构安排
第2章 推荐系统概述
2.1 协同过滤推荐技术
2.1.1 基于用户的协同过滤
2.1.2 基于项目的协同过滤
2.2 其他推荐技术
2.2.1 基于内容的推荐
2.2.2 基于关联规则的推荐
2.3 推荐系统评测
2.3.1 用户满意度
2.3.2 预测准确度
2.3.3 覆盖率
2.3.4 新颖性
2.4 本章小结
第3章 基于相似度计算的协同过滤
3.1 问题的提出
3.2 相关理论研究
3.2.1 常用的相似度模型
3.2.2 相似度模型的改进
3.3 改进相似度计算的协同过滤
3.3.1 数据的来源与说明
3.3.2 实验结果与讨论
3.4 本章小结
第4章 基于K均值聚类的协同过滤
4.1 问题的提出
4.2 K均值聚类算法
4.3 基于K均值的协同过滤算法
4.3.1 算法的基本思想
4.3.2 实验结果与讨论
4.4 本章小结
第5章 基于协同过滤的电影推荐
5.1 系统需求分析
5.2 系统基本设计
5.2.1 架构设计
5.2.2 数据库设计
5.3 系统核心模块
5.3.1 预测模块
5.3.2 推荐模块
5.4 本章小结
结论
主要结果和创新点
进一步的研究工作
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]基于深度神经网络和改进相似性度量的推荐算法[J]. 邹锋. 计算机应用与软件. 2019(11)
[2]一种有效缓解数据稀疏问题的协同过滤推荐算法[J]. 张清,于博,王辉,邓林. 合肥工业大学学报(自然科学版). 2019(04)
[3]面向搜索引擎的实体推荐综述[J]. 黄际洲,孙雅铭,王海峰,刘挺. 计算机学报. 2019(07)
[4]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[5]基于Apriori算法的关联规则分析[J]. 王晓丽,奚克敏,刘占波,闫实. 软件. 2019(02)
[6]一种结合主题模型的推荐算法[J]. 曹占伟,胡晓鹏. 计算机应用研究. 2019(06)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]一种巴氏系数改进相似度的协同过滤算法[J]. 武文琪,王建芳,张朋飞,刘永利. 计算机应用与软件. 2017(08)
[9]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[10]基于Jaccard相似度和位置行为的协同过滤推荐算法[J]. 李斌,张博,刘学军,章玮. 计算机科学. 2016(12)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[2]个性化推荐技术中的协同过滤算法研究[D]. 夏培勇.中国海洋大学 2011
硕士论文
[1]基于协同过滤的推荐算法及系统实现[D]. 孟俊才.安庆师范大学 2019
[2]面向稀疏性数据的协同过滤推荐算法研究[D]. 章金平.安徽大学 2019
[3]基于协同过滤的个性化新闻推荐系统的设计与实现[D]. 朱满洲.南京理工大学 2019
本文编号：3732713
本文链接：https://www.wllwen.com/guanlilunwen/xiangmuguanli/3732713.html
