基于图数据库的个性化推荐系统研究与设计

发布时间：2020-11-13 07:21

　　 互联网的高速发展过程中,信息过载(Over Loading)现象在生产生活中的弊端日益凸显。个性化推荐技术在这个大背景下应运而生。近年来,图数据库、图模型等依托图数据结构的相关技术与算法如火如荼的发展,为推荐系统领域提供了新的解决思路。基于图数据库,在推荐系统技术和算法上发挥图数据结构的优势。为了解决个性化推荐中协同过滤推荐算法所遇到的一些问题。本文首先对个性化推荐系统进行了全面的论述,同时阐述了当下个性化推荐系统的研究成果以及主流算法;然后基于图数据库,构建用户、项目二部图网络,提出了一种改进的基于用户的协同过滤推荐算法,通过降低热门项目在计算相似度的“干扰”,结合图数据结构中的度数以及边的评分关系等引入了热门评估函数以及时间衰减公式,旨在消除热门项目对相似用户造成的误差。使得用户之间的相似度更具有参考性。最后在MovieLens标准数据集中做仿真对比试验。实验结果显示,通过改进相似度的计算方法,可以有效地提高推荐系统的召回率与准确率等。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.3;TP311.12
【部分图文】：

第 1 章 绪论1 研究背景与意义.1 研究背景在通信和网络技术欠缺的时代，人们获取信息、知识的主要渠道往往依赖或者文本、图片等相关媒介。然而 Internet 的出现，改变了这一切。这种天覆地式、具有划时代意义的，它真正将地球变成了“地球村”。我们可户享受来自“互联网时代”带来的便利。从中国互联网络发展状况统计报据不难看出：中国网民规模和互联网的普及率呈现逐年递增趋势。互联网新时代下人们的一种新的生活方式，像一句诗中所写“飞入寻常百姓家”

重庆邮电大学硕士学位论文 第 1 章 绪论内容的推荐；然后提供购买该商品的用户同时购买了其他商品的集合，很类似基于协同过滤的推荐。Amazon 不仅会收集用户的历史行为信息，也会在第一时间抓取用户的浏览动作给出实时的推荐。如图 1.2 展示了亚马逊网站中的推荐模块界面：

项目数据进行个性化推荐算法的选择。个性化好，然而并不是绝对的，也要“因地制宜”。个性化推荐算法。这样才可以真正发挥个性化与展示模块：推荐结果展示部分通常以推荐列推荐列表的生成与展示并不是将推荐项目集不加荐效果，而是应该有策略、有计划地去展示推化”的修饰，因此最精确的推荐结果不一定是才是最好的。推荐结果展示也要充分考虑用户性化展示的完美融合。相互配合、相互协作，共同构成一个完整的个故障都将会影响到这个系统的运作和给用户带系统的主要模块以及模块之间的层级关系：
【参考文献】

相关期刊论文 前10条

1 冯媛媛;王晓东;姚宇;;电子商务中长尾物品推荐方法[J];计算机应用;2015年S2期

2 张国凯;;基于协同过滤的个性化服务推荐算法研究[J];软件导刊;2015年10期

3 张艳梅;王璐;曹怀虎;毛国君;;基于用户-兴趣-项目三部图的推荐算法[J];模式识别与人工智能;2015年10期

4 马凯航;高永明;吴止锾;李磊;;大数据时代数据管理技术研究综述[J];软件;2015年10期

5 崔春生;赖锴;陈婕;;基于基元理论的内容推荐算法研究[J];系统科学与数学;2015年10期

6 莫萍燕;王玉龙;;一种实时推荐系统数据发布平台的设计与实现[J];电信网技术;2015年09期

7 廖寿福;林世平;郭昆;;个性化推荐冷启动算法[J];小型微型计算机系统;2015年08期

8 王春才;邢晖;李英韬;;推荐系统评测方法和指标分析[J];信息技术与标准化;2015年07期

9 高虎明;赵凤跃;;一种融合协同过滤和内容过滤的混合推荐方法[J];现代图书情报技术;2015年06期

10 丁少衡;姬东鸿;王路路;;基于用户属性和评分的协同过滤推荐算法[J];计算机工程与设计;2015年02期

本文编号：2881911