基于隐语义模型的推荐系统研究

发布时间：2017-03-26 15:10

  本文关键词：基于隐语义模型的推荐系统研究，，由笔耕文化传播整理发布。

【摘要】：随着互联网、物联网、移动互联网的飞速发展,海量的数据信息产生了信息过载问题。尤其在大型电影推荐网站,如何通过一种有效的机制来帮助用户快速的获取到想要的电影信息,这已成为了当前研究的一大热点和难点问题,其中推荐系统是其研究的主要内容。目前国内外针对推荐系统的研究主要集中在协同过滤推荐、基于内容的推荐、基于知识的推荐和组合推荐四个方面。协同过滤算法以其独特思想和便捷的计算方式在推荐系统领域得到了广泛的应用。但随着系统中用户和项目规模的不断增大,传统协同过滤算法在处理效率、稀疏性和拓展性方面存在不足。本文基于协同过滤中的隐语义模型,首先介绍了模型的理论方法,然后针对评分矩阵高度稀疏的问题,利用k-means算法对模型进行了改进。同时为了提高模型的推荐精度和预测准确率,在模型中加入时间上下文信息。文章主要的工作内容有:1.基于推荐系统的原理和方法,介绍了基于领域的协同过滤算法和基于模型的协同过滤算法理论。2.针对用户评分稀疏问题,利用k-means算法对用户数据进行聚类;然后根据聚类结果重构评分矩阵,显著的降低矩阵维度和稀疏度;最后通过修改模型的评分策略得到改进隐语义模型K-LFM。3.为了提高模型的精度,将时间上下文信息加入到传统的“用户-项目”二维推荐过程。通过改变模型的矩阵分解形式,实现对“用户-项目-时间”三维评分矩阵的分解,在提高模型精度的同时实现了对模型的拓展。4.在movielens数据集上实验对比算法的性能,同时借助Hadoop平台的Mahout组件设计实现了一个推荐引擎原型。
【关键词】：协同过滤 k-means算法 隐语义模型 时间上下文 推荐引擎
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-7
• 第一章 绪论7-10
• 1.1 研究背景及意义7-8
• 1.2 国内外研究现状8-9
• 1.3 论文结构9-10
• 第二章 推荐系统综述10-28
• 2.1 引言10
• 2.2 推荐系统概念及形式化定义10-12
• 2.3 常用推荐算法介绍12-16
• 2.4 推荐系统评测方法及指标16-19
• 2.5 上下文感知推荐19-27
• 2.6 小结27-28
• 第三章 隐语义模型及其改进28-41
• 3.1 模型理论及方法28-31
• 3.2 模型改进31-36
• 3.3 实验结果分析36-40
• 3.4 小结40-41
• 第四章 融合时间上下文的隐语义模型41-53
• 4.1 时间效应介绍41-42
• 4.2 时间上下文相关算法42-44
• 4.3 引入时间上下文的隐语义模型44-46
• 4.4 实验及结果分析46-52
• 4.5 小结52-53
• 第五章 系统原型设计53-64
• 5.1 系统架构设计53-55
• 5.2 开源平台介绍55-57
• 5.3 推荐引擎设计57-63
• 5.4 小结63-64
• 第六章 总结与展望64-66
• 6.1 总结64
• 6.2 展望64-66
• 致谢66-67
• 参考文献67-70
• 附录 攻读学位期间发表的学术论文与研究成果70-71
• 图版71-72
• 表版72

  本文关键词：基于隐语义模型的推荐系统研究，由笔耕文化传播整理发布。

本文编号：268978