网络个性化图书资源推荐算法研究

发布时间：2021-01-08 12:33

　　十九大以来,互联网和大数据技术不断发展,网络图书资源也越来越丰富,但是用户也很难从海量的书籍中迅速找到满足自己需求的图书。为了使用户能够快速地获取到自己喜欢的图书,个性化推荐算法应运而生。常用的个性化推荐算法有基于邻域的推荐算法、基于内容的推荐算法等。但是前者在数据量非常大时,用户-物品评分矩阵会非常稀疏,导致推荐结果不准确;后者只能解决物品冷启动问题,而不能解决用户冷启动问题。为解决这些问题,本文提出了一种网络图书推荐算法,主要分为召回阶段和排序阶段。本文在召回阶段的推荐算法是在基于邻域的推荐算法和基于内容的推荐算法的基础上结合Doc2Vec方法。首先分析了豆瓣读书平台的用户行为数据,计算出用户间的兴趣偏好相似度、图书间的内容相似度以及用户兴趣偏好与图书内容的相似度,然后再通过这些相似度预测出用户对图书的评分,最后根据预测评分的大小为用户实现个性化推荐。实证分析得出,该算法明显改善算法的数据稀疏性问题,而且推荐结果的准确性有明显的提升。虽然召回阶段的推荐结果已经得到很大的改善,但其召回率会随着推荐数量的减少而大幅度降低。本文提出通过排序阶段的算法对召回阶段的推荐结果重排序。首先,通过... 

【文章来源】：西南财经大学四川省 211工程院校 教育部直属院校

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

论文研究框架

Content-based的基本流程

User-CF的基本流程

【参考文献】：
期刊论文
[1]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏.  计算机研究与发展. 2017(08)
[2]XGBoost算法在电子商务商品推荐中的应用[J]. 张昊,纪宏超,张红宇.  物联网技术. 2017(02)
[3]语义推荐算法研究综述[J]. 黄震华,张佳雯,张波,喻剑,向阳,黄德双.  电子学报. 2016(09)
[4]基于用户属性和评分的协同过滤推荐算法[J]. 丁少衡,姬东鸿,王路路.  计算机工程与设计. 2015(02)
[5]Personalized Recommendation Algorithm Based on Preference Features[J]. Liang Hu,Guohang Song,Zhenzhen Xie,Kuo Zhao.  Tsinghua Science and Technology. 2014(03)
[6]个性化推荐系统的多样性研究进展[J]. 安维,刘启华,张李义.  图书情报工作. 2013(20)
[7]推荐系统中的冷启动问题研究综述[J]. 孙冬婷,何涛,张福海.  计算机与现代化. 2012(05)
[8]基于矩阵分解的协同过滤算法[J]. 李改,李磊.  计算机工程与应用. 2011(30)
[9]两阶段联合聚类协同过滤算法[J]. 吴湖,王永吉,王哲,王秀利,杜栓柱.  软件学报. 2010(05)
[10]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏.  自然科学进展. 2009(01)

博士论文
[1]基于协同过滤技术的推荐方法研究[D]. 郁雪.天津大学 2009



本文编号：2964602