电子商务的个性化协同过滤推荐算法研究

发布时间：2017-05-13 10:20

  本文关键词：电子商务的个性化协同过滤推荐算法研究，由笔耕文化传播整理发布。

【摘要】：协同过滤技术是推荐系统中应用最广泛的一种个性化推荐技术，因而得到了众多科研人员的青睐。本文以协同过滤推荐算法为主要研究对象，针对协同过滤推荐算法在实际应用中面临的准确性、扩展性、数据稀疏性和实时动态性等几个关键性问题进行展开和深入分析，结合最优化算法技术和机器学习等技术手段提出了对这些关键问题的解决方案。具体如下： 1、针对协同过滤推荐算法的准确性问题，提出了一种基于二阶段相似度学习的协同过滤推荐算法。该算法旨在通过较少的迭代计算改善推荐算法准确性，它以既约梯度法迭代寻优为主，K近邻算法为辅，实现了相似度的逐步学习，进而提高了相似度的计算精度。实验表明，在一定条件下基于二阶段相似度学习算法不仅在误差性能上优于传统的推荐方法，而且算法收敛速度快，可实现相似度参数动态调整和分布式计算。 2、针对协同过滤推荐算法的扩展性和数据稀疏性问题，在基于二阶段相似度学习的协同过滤推荐算法的基础上，提出了一种基于子空间用户代表的协同过滤推荐算法，该算法旨在通过将项目集划分子空间，，并在子空间上利用模糊C-均值聚类算法产生用户代表，将这种基于子空间用户代表和基于二阶段相似度学习的协同过滤推荐算法结合，在不失准确性的前提下提高算法扩展性。同时为了缓解数据稀疏性对算法的影响，对子空间用户相似度的计算作了改进。实验表明，这种算法在提高扩展性的同时保证了准确性，而且提出的子空间用户相似度计算新方法缓解了数据稀疏性的影响。 3、针对协同过滤推荐算法的实时动态性问题进行了探索，提出了考虑时序性的基于滚动时间窗的用户-项目-时间三维动态模型，并在此基础上研究了针对该模型的协同过滤推荐算法。该模型算法对不同时间的兴趣评分按时间序列处理，用户兴趣相似度由不同时间段的分量组合而成，注重了算法的时效性；进而推导出了该模型的增量算法，利用增量算法减少了计算相似度的时间复杂度；最后设计了合理的实验，实验结果表明，与传统的二维协同过滤推荐模型相比，本文提出的三维动态模型及算法获得了更高的推荐命中率。
【关键词】：协同过滤 二阶段相似度学习 子空间 用户代表 模糊聚类 滚动时间窗 动态性
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP391.3
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-17
• 1.1 课题研究的背景及意义11-12
• 1.2 国内外相关的研究12-15
• 1.2.1 推荐系统研究现状12-13
• 1.2.2 协同过滤研究现状13-15
• 1.3 本文的主要研究内容15-16
• 1.4 论文的组织16-17
• 第二章 协同过滤推荐技术17-37
• 2.1 引言17-20
• 2.2 协同过滤概念和原理20
• 2.3 协同过滤推荐技术的应用20-21
• 2.4 经典的协同过滤推荐技术21-30
• 2.4.1 基于内存的协同过滤推荐技术22-26
• 2.4.2 基于模型的协同过滤推荐技术26-30
• 2.4.3 混合推荐技术30
• 2.5 协同过滤推荐技术存在的问题30-32
• 2.5.1 准确性问题30-31
• 2.5.2 扩展性问题31
• 2.5.3 数据稀疏性问题31
• 2.5.4 实时动态性问题31-32
• 2.5.5 冷启动问题32
• 2.6 实验真实数据集32-36
• 2.7 本章小结36-37
• 第三章 基于二阶段相似度学习的协同过滤推荐算法37-58
• 3.1 引言37-39
• 3.2 基于二阶段相似度学习的协同过滤推荐算法39-42
• 3.2.1 基于相似度学习算法推导39-41
• 3.2.2 基于二阶段相似度学习算法41-42
• 3.3 基于二阶段相似度学习协同过滤推荐算法的优化42-44
• 3.3.1 海选的优化——支持度权重42-43
• 3.3.2 精选的优化——防止过拟合43-44
• 3.4 精选求解方法44-47
• 3.4.1 既约梯度法44-46
• 3.4.2 黄金分割法46-47
• 3.5 算法步骤描述47
• 3.6 基于二阶段相似度学习的协同过滤推荐系统结构47-49
• 3.7 实验与分析49-57
• 3.7.1 评测指标49-50
• 3.7.2 实验与分析50-57
• 3.8 本章小结57-58
• 第四章 基于子空间用户代表的二阶段相似度学习协同过滤算法58-78
• 4.1 引言58-59
• 4.2 基于子空间用户代表的二阶段相似度学习协同过滤算法原理59-66
• 4.2.1 子空间的划分59-61
• 4.2.2 子空间的用户相似度61-62
• 4.2.3 基于子空间用户代表与基于二阶段相似度学习协同过滤算法结合62-65
• 4.2.4 子空间的归并65-66
• 4.3 子空间上用户代表的生成方法66-69
• 4.3.1 模糊 C-均值聚类算法66-68
• 4.3.2 初始用户代表的选择68-69
• 4.4 算法步骤描述69-71
• 4.5 实验与分析71-77
• 4.6 本章小结77-78
• 第五章 基于滚动时间窗的动态协同过滤推荐模型及算法78-90
• 5.1 引言78
• 5.2 传统协同过滤推荐算法及动态时序性问题78-79
• 5.3 基于滚动时间窗的用户-项目-时间三维动态模型79-81
• 5.4 基于动态模型的协同过滤推荐算法81-86
• 5.4.1 算法核心思想81
• 5.4.2 算法具体步骤81-86
• 5.4.3 算法流程图86
• 5.5 实验与分析86-89
• 5.5.1 评测指标86-87
• 5.5.2 算法性能实验87
• 5.5.3 算法参数实验87-89
• 5.6 本章小结89-90
• 第六章 总结与展望90-93
• 6.1 研究工作总结90-91
• 6.2 未来研究展望91-93
• 参考文献93-99
• 攻读硕士学位期间的主要学术成果99-100
• 致谢100-103
• 附件103

【参考文献】

中国期刊全文数据库 前10条

1 赵亮,胡乃静,张守志;个性化推荐算法设计[J];计算机研究与发展;2002年08期

2 李涛;王建东;叶飞跃;;推荐系统中一种新的相似性计算方法[J];计算机科学;2007年08期

3 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[J];计算机学报;2010年08期

4 罗辛;欧阳元新;熊璋;袁满;;通过相似度支持度优化基于K近邻的协同过滤算法[J];计算机学报;2010年08期

5 邓维斌;黄蜀江;周玉敏;;基于条件信息熵的自主式朴素贝叶斯分类算法[J];计算机应用;2007年04期

6 李大学;谢名亮;赵学斌;;基于朴素贝叶斯方法的协同过滤推荐算法[J];计算机应用;2010年06期

7 熊忠阳;刘芹;张玉芳;李文田;;基于项目分类的协同过滤改进算法[J];计算机应用研究;2012年02期

8 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期

9 张敏,于剑;基于划分的模糊聚类算法[J];软件学报;2004年06期

10 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期

中国博士学位论文全文数据库 前4条

1 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

2 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年

3 张宇;在线社会网络信任计算与挖掘分析中若干模型与算法研究[D];浙江大学;2009年

4 郁雪;基于协同过滤技术的推荐方法研究[D];天津大学;2009年

中国硕士学位论文全文数据库 前5条

1 何奎;基于用户聚类的协同过滤推荐系统研究[D];西南交通大学;2011年

2 康雨洁;基于协同过滤的个性化社区推荐方法研究[D];中国科学技术大学;2011年

3 寇艳艳;电子商务推荐系统中用户聚类问题与用户兴趣变化问题研究[D];中国科学技术大学;2011年

4 查文琴;基于用户聚类的项目多内容协同过滤推荐[D];合肥工业大学;2009年

5 施华;基于项目和用户双重聚类的协同过滤推荐算法[D];东北师范大学;2009年

  本文关键词：电子商务的个性化协同过滤推荐算法研究，由笔耕文化传播整理发布。

本文编号：362301