基于灰关联的联合聚类个性化推荐研究

发布时间：2017-07-26 12:12

  本文关键词：基于灰关联的联合聚类个性化推荐研究

  更多相关文章： 联合聚类 灰关联分析 特征属性 增量更新 个性化推荐

【摘要】：随着4G技术的发展,给移动互联网带来巨大的发展空间,全球进入全新的移动时代,中国的互联网也开始向移动互联网时代迈进。移动互联网最大的特色是便利和实时性,但面对着大数据时代,移动互联网的便利性受到严重的威胁,如何在众多的数据中找到有效数据成为制约移动互联网发展的一个瓶颈。在大数据和移动互联网的大背景下,如何结合数据挖掘、知识发现等技术实现更加有效的个性化推荐成为目前的研究热点。虽然推荐系统从提出后已经受到多方面的重视,但其本身的稀疏性、扩展性、实时性、准确性和冷启动等问题依旧是限制其发展的因素。本文重点对个性化推荐技术进行研究,详细阐述了个性化推荐技术的研究现状,进而提出基于特征属性的矩阵填充技术和一种综合相似度计算方法,提高相似性计算的准确性,设计了基于灰关联加权聚类的联合聚类推荐方法,保证推荐系统的实时性和可扩展性,具体内容如下：首先,利用特征属性线性加权的方式对传统相似度计算方法进行修正,给出基于特征属性的综合相似度计算方法。同时,利用特征属性实现评分矩阵的填充,根据用户和项目的特征属性分别计算用户的初始评分,并利用线性加权方法得到最终的初始评分,完成对评分矩阵的初始填充,达到降低矩阵稀疏性的效果。其次,设计了联合聚类的推荐模型,该模型包括离线建模和在线推荐两个阶段,离线阶段利用特征属性完成评分矩阵的初始填充、根据加权聚类算法实现用户和项目的聚类,并根据综合相似性计算方法,计算类别中用户和项目的相似度；在线阶段根据用户提交的评分,判断用户所在聚类类别,在对应类别中结合基于项目和用户协同过滤两种算法产生最终k个最近邻居,并实现Top-N推荐。最后,针对扩展性和冷启动问题,构建基于相似性的增量更新模型,通过对目标用户初始类别的判断,避免了在整个数据集更新而产生的巨大计算量。同时,利用独立因子的方式,针对每个新增评分,看成原始相似度加上独立因子的模式,减小了相似度计算量,从而提高推荐系统的实时性,增强推荐系统扩展性。
【关键词】：联合聚类 灰关联分析 特征属性 增量更新 个性化推荐
【学位授予单位】：福州大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：F49
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-15
• 1.1 研究背景与意义8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究意义9-10
• 1.2 国内外研究现状10-12
• 1.2.1 推荐算法国外研究现状10-11
• 1.2.2 推荐算法国内研究现状11-12
• 1.3 研究内容与论文结构12-14
• 1.3.1 研究内容12-13
• 1.3.2 论文结构13-14
• 1.4 论文创新之处14-15
• 第二章 相关理论知识15-29
• 2.1 个性化推荐算法15-20
• 2.1.1 基于用户的协同过滤15-17
• 2.1.2 基于项目的协同过滤17
• 2.1.3 基于聚类的协同过滤17-19
• 2.1.4 协同过滤算法存在的挑战19-20
• 2.2 聚类简介20-23
• 2.2.1 聚类融合20-22
• 2.2.2 联合聚类22-23
• 2.3 灰关联分析23-28
• 2.3.1 灰灰关联理论23-25
• 2.3.2 基于差异信息论的灰关联分析25-26
• 2.3.3 基于灰关联的加权聚类模型26-28
• 2.4 本章小结28-29
• 第三章 基于特征属性的综合相似度计算方法29-40
• 3.1 传统相似度的计算方法29-31
• 3.2 特征属性相关性的度量31-32
• 3.2.1 项目特征属性相关性的度量31-32
• 3.2.2 用户特征属性相关性的度量32
• 3.3 基于用户特征属性的综合相似度32-34
• 3.4 基于项目特征属性的综合相似度34-36
• 3.5 实验与结果分析36-39
• 3.5.1 评价标准36
• 3.5.2 实验数据36-37
• 3.5.3 实验设计37-38
• 3.5.4 实验结果分析38-39
• 3.6 本章小结39-40
• 第四章 联合聚类个性化推荐算法40-51
• 4.1 基于特征属性的评分矩阵填充40-43
• 4.2 基于联合聚类个性化推荐算法43-46
• 4.2.1 算法描述43-45
• 4.2.2 算法流程45-46
• 4.3 增量更新模型46-50
• 4.3.1 相似性增量更新的基本思路46-48
• 4.3.2 相似性增量更新模型48-50
• 4.4 推荐模型总体架构50
• 4.5 本章小结50-51
• 第五章 个性化实验与分析51-62
• 5.1 实验环境与数据集51-52
• 5.1.1 数据来源51
• 5.1.2 数据预处理51-52
• 5.1.3 实验环境52
• 5.2 实验评价标准52-54
• 5.3 实验设计与结果分析54-61
• 5.3.1 联合聚类推荐实验54-60
• 5.3.2 增量更新实验60-61
• 5.4 本章小结61-62
• 总结与展望62-64
• 6.1 本文总结62-63
• 6.2 研究展望63-64
• 参考文献64-68
• 致谢68-69
• 个人简历、在学期间的研究成果及发表的学术论文69

【相似文献】

中国期刊全文数据库 前10条

1 姜有辉;高琳琦;;电子商场中的个性化推荐研究与应用[J];商场现代化;2006年33期

2 郭斌;董斯维;;电子商务网站发展新方法——个性化推荐[J];消费导刊;2006年10期

3 袁宁;;消费者对网络推荐的抗拒研究[J];现代商贸工业;2011年23期

4 陈红亮;周少华;;移动商务中基于定位的个性化推荐研究[J];统计与决策;2008年21期

5 梁英;;电子商务个性化推荐技术研究[J];商场现代化;2007年26期

6 张建伟;;基于社交网络数据的个性化推荐研究[J];商;2013年24期

7 陈龙飞;赵雪;;关于农资产品个性化推荐的研究[J];电子世界;2013年24期

8 樊静;;基于OBUIM的电子商务个性化推荐模型研究[J];现代商贸工业;2009年19期

9 王茜;钱力;;大数据环境下电子商务个性化推荐服务发展动向探析[J];商业研究;2014年08期

10 刘晨晨;蒋国银;;基于DMA的时间序列模式下顾客行为的个性化推荐[J];计算机应用;2007年11期

中国重要会议论文全文数据库 前4条

1 冯时;阳峰;王大玲;于戈;;基于虚拟观点社群的用户个性化推荐[A];第六届全国信息检索学术会议论文集[C];2010年

2 刘晋;王潜平;房坤;;基于agent技术和反馈机制的个性化推荐方法研究与设计[A];第二届和谐人机环境联合学术会议(HHME2006)——第2届中国人机交互学术会议(CHCI'06)论文集[C];2006年

3 王鑫;黄忠义;;网络资源中基于K-Means聚类的个性化推荐[A];2013年全国通信软件学术会议论文集[C];2013年

4 曹雷;杜辉锋;;基于Web挖掘的个性化推荐模型的研究[A];全国第十届企业信息化与工业工程学术年会论文集[C];2006年

中国重要报纸全文数据库 前2条

1 云踪;双模式完善精准个性化推荐[N];人民邮电;2014年

2 本报记者 李娟;百分点 给电商配备“导购员”[N];中国经营报;2011年

中国博士学位论文全文数据库 前5条

1 吕苗;基于情境的商品个性化推荐方法研究[D];大连理工大学;2015年

2 易明;基于Web挖掘的电子商务个性化推荐机理与方法研究[D];华中科技大学;2006年

3 邢星;社交网络个性化推荐方法研究[D];大连海事大学;2013年

4 张宜浩;基于半监督学习的个性化推荐研究[D];重庆大学;2014年

5 张富国;基于信任的电子商务个性化推荐关键问题研究[D];江西财经大学;2009年

中国硕士学位论文全文数据库 前10条

1 冯超;电子商务个性化推荐的用户信息采纳影响因素研究[D];华中师范大学;2015年

2 尚刚;个性化推荐技术在图书馆服务中的应用研究[D];南京财经大学;2015年

3 林举;基于完全三部图模型的个性化推荐技术研究[D];上海大学;2015年

4 周莹;基于证券理财产品用户行为分析的个性化推荐研究[D];电子科技大学;2014年

5 李祉莹;基于语义的个性化推荐模型研究[D];北京邮电大学;2015年

6 刘洋;数字学习资源个性化推荐技术研究与应用[D];浙江工商大学;2015年

7 陈玉兆;大数据下的个性化推荐研究与实现[D];西安电子科技大学;2014年

8 卢云骋;播存环境中话题挖掘及其在个性化推荐中的应用[D];东南大学;2015年

9 刘佳;基于情景分析的网络阅读个性化推荐方法研究[D];东北大学;2014年

10 路文;基于相似案例分析的电子商务个性化推荐方法研究[D];东北大学;2014年

，

本文编号：576316