基于半监督降维的电影混合推荐算法研究及实现
发布时间：2021-03-24 20:45
随着互联网行业的蓬勃发展和大数据时代的到来,当代电影行业信息爆炸式增长。一方面,信息提供给人们的娱乐选择令人眼花缭乱,传统电影网站大多使用推荐热门电影的方式,这种推荐方式无法满足用户个性化需求。因此,如何基于数据进行有效分析,进而针对用户个性化娱乐需求实现有效推荐,成为了当代文娱产业创造商业化价值的关键。另一方面,面对复杂高维的数据信息,推荐系统势必要付出极大的存储与处理代价。因此,如何在保持电影推荐精度、满足用户个性化兴趣需求的前提下,有效进行数据降维,以缩减推荐成本,成为了推荐系统的关键性课题。基于此,本文针对半监督降维的电影混合推荐进行了研究与实现,具体研究内容如下:（1）针对提升推荐精度以满足用户个性化娱乐需求,本论文提出了使用“基于负反馈与时间惩罚项的双向分类过滤推荐”的改进算法,利用热门电影的负反馈,挖掘隐含潜在信息,丰富可利用的数据集合,同时引入时间惩罚项,根据时间变化对兴趣的影响有效调整用户偏好权重。最后,聚类用户偏好矩阵与电影项目特征矩阵,双向聚类后过滤结果。经实验证明,本论文提出的“基于负反馈与时间惩罚项的双向分类过滤推荐”改进算法能够有效提升推荐精度、满足用户个性...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图３－１艾宾浩斯遗忘曲线图??因此，综上所述，本文提出的改进算法如下：??
?！＾??＾１２３４Ｓ６７８／??时间／天??图３－１艾宾浩斯遗忘曲线图??因此，综上所述，本文提出的改进算法如下：??当／＜丁〇，则兴趣保持度设置为：灰勿＝１００％，当兴趣保持度遵循如上??公式（３－１２），妒（ｒ）?＝?８４．２１ｘ〇－１５广２３８３?＋１５．６６，当＾丁丨时，兴趣保持度设置为：??刚＝４０％。??综上所述，该公式为：??Ｕ＜ｒ０??＾（／）?＝?－?８４．２１ｘ（ｒ－１５）－０２３８３?＋１５．６６，ｒ０?＜ｔ＜７；?（３＿１３）??０．４，／?＞７］??其中，Ｔ〇为１５，?１＾＊１８６，ｆ为用户对电影的评分时间距离系统用户最近评??分时间的天数
荐的精准度。?．??其推荐原理如图３－３所示：??ｕｓｅｒＡ?＾?ｍｏｖｉｅｌ??ｕｓｅｒＢ?―２??？?ｚ－Ｚ’＇、————??ｕｓｅｒＣ?ｚ?ｍｏｖｉｅ３??ｕｓｅｒＤ?ｍｏｖｉｅ４??ｌ??得到用户偏好矩阵、电影特征矩阵并聚类??糞????４推荐并过滤??ｍ??？??ｍｏｖｉｅ?ｕｓｅｒ??图３－３推荐原理图??主要采用了瀑布型混合推荐算法，使用过滤的方式，将基于矩阵分解的推荐??视为一层过滤，得到用户偏好矩阵与电影特征矩阵并将其分别聚类。输出结果后，??将其分别使用基于用户与基于物品的协同过滤推荐，双向过滤，从而能够实现推??荐精度的提升。其推荐模块如图３－４所示：??２７??
【参考文献】：
期刊论文
[1]基于艾宾浩斯遗忘曲线的个性化推荐算法[J]. 周子愉. 电子制作. 2018(Z2)
[2]融合用户自然最近邻的协同过滤推荐算法[J]. 王颖,王欣,唐万梅. 计算机工程与应用. 2018(07)
[3]主成分分析与线性判别分析两种数据降维算法的对比研究[J]. 董虎胜. 现代计算机(专业版). 2016(29)
[4]一种基于矩阵分解的电影推荐算法[J]. 聂常超. 电子设计工程. 2016(19)
[5]基于Hadoop云网络在用户视频推荐中研究[J]. 赵鑫. 电脑知识与技术. 2016(06)
[6]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[7]深度自动编码器的研究与展望[J]. 曲建岭,杜辰飞,邸亚洲,高峰,郭超然. 计算机与现代化. 2014(08)
[8]大数据研究[J]. 严霄凤,张德馨. 计算机技术与发展. 2013(04)
[9]一种有监督的线性降维人脸识别算法[J]. 郭丽,郑忠龙,贾炯,张海新,付芳梅. 计算机工程. 2013(11)
[10]基于艾宾浩斯遗忘的用户兴趣模型更新机制[J]. 韩晓吉,刘凤鸣. 网络安全技术与应用. 2012(07)
博士论文
[1]基于地理标签的社会媒体数据挖掘的智能旅游推荐研究[D]. Abdul Majid.浙江大学 2012
[2]线性图嵌入算法及其应用[D]. 陈江峰.北京交通大学 2012
[3]基于流形学习的特征提取方法及其应用研究[D]. 李波.中国科学技术大学 2008
硕士论文
[1]基于偏好感知的微信公众平台混合推荐算法研究[D]. 刘伟.华中师范大学 2016
[2]基于随机搜索策略的多标签特征选择方法研究[D]. 赵磊.南京师范大学 2016
[3]基于时间效应和用户兴趣变化的改进推荐算法研究[D]. 孙光辉.北京邮电大学 2014
[4]推荐算法研究和对象搜索引擎的搭建[D]. 罗睿阳.北京邮电大学 2014
[5]基于内容的垃圾邮件检测特征降维算法研究[D]. 冯禹.浙江大学 2013
[6]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[7]基于流形学习的数据降维的研究[D]. 唐文俊.广东工业大学 2012
[8]面向数据稀疏的协同过滤推荐算法研究[D]. 张学胜.中国科学技术大学 2011
本文编号：3098366
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图３－１艾宾浩斯遗忘曲线图??因此，综上所述，本文提出的改进算法如下：??
?！＾??＾１２３４Ｓ６７８／??时间／天??图３－１艾宾浩斯遗忘曲线图??因此，综上所述，本文提出的改进算法如下：??当／＜丁〇，则兴趣保持度设置为：灰勿＝１００％，当兴趣保持度遵循如上??公式（３－１２），妒（ｒ）?＝?８４．２１ｘ〇－１５广２３８３?＋１５．６６，当＾丁丨时，兴趣保持度设置为：??刚＝４０％。??综上所述，该公式为：??Ｕ＜ｒ０??＾（／）?＝?－?８４．２１ｘ（ｒ－１５）－０２３８３?＋１５．６６，ｒ０?＜ｔ＜７；?（３＿１３）??０．４，／?＞７］??其中，Ｔ〇为１５，?１＾＊１８６，ｆ为用户对电影的评分时间距离系统用户最近评??分时间的天数
荐的精准度。?．??其推荐原理如图３－３所示：??ｕｓｅｒＡ?＾?ｍｏｖｉｅｌ??ｕｓｅｒＢ?―２??？?ｚ－Ｚ’＇、————??ｕｓｅｒＣ?ｚ?ｍｏｖｉｅ３??ｕｓｅｒＤ?ｍｏｖｉｅ４??ｌ??得到用户偏好矩阵、电影特征矩阵并聚类??糞????４推荐并过滤??ｍ??？??ｍｏｖｉｅ?ｕｓｅｒ??图３－３推荐原理图??主要采用了瀑布型混合推荐算法，使用过滤的方式，将基于矩阵分解的推荐??视为一层过滤，得到用户偏好矩阵与电影特征矩阵并将其分别聚类。输出结果后，??将其分别使用基于用户与基于物品的协同过滤推荐，双向过滤，从而能够实现推??荐精度的提升。其推荐模块如图３－４所示：??２７??
【参考文献】：
期刊论文
[1]基于艾宾浩斯遗忘曲线的个性化推荐算法[J]. 周子愉. 电子制作. 2018(Z2)
[2]融合用户自然最近邻的协同过滤推荐算法[J]. 王颖,王欣,唐万梅. 计算机工程与应用. 2018(07)
[3]主成分分析与线性判别分析两种数据降维算法的对比研究[J]. 董虎胜. 现代计算机(专业版). 2016(29)
[4]一种基于矩阵分解的电影推荐算法[J]. 聂常超. 电子设计工程. 2016(19)
[5]基于Hadoop云网络在用户视频推荐中研究[J]. 赵鑫. 电脑知识与技术. 2016(06)
[6]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[7]深度自动编码器的研究与展望[J]. 曲建岭,杜辰飞,邸亚洲,高峰,郭超然. 计算机与现代化. 2014(08)
[8]大数据研究[J]. 严霄凤,张德馨. 计算机技术与发展. 2013(04)
[9]一种有监督的线性降维人脸识别算法[J]. 郭丽,郑忠龙,贾炯,张海新,付芳梅. 计算机工程. 2013(11)
[10]基于艾宾浩斯遗忘的用户兴趣模型更新机制[J]. 韩晓吉,刘凤鸣. 网络安全技术与应用. 2012(07)
博士论文
[1]基于地理标签的社会媒体数据挖掘的智能旅游推荐研究[D]. Abdul Majid.浙江大学 2012
[2]线性图嵌入算法及其应用[D]. 陈江峰.北京交通大学 2012
[3]基于流形学习的特征提取方法及其应用研究[D]. 李波.中国科学技术大学 2008
硕士论文
[1]基于偏好感知的微信公众平台混合推荐算法研究[D]. 刘伟.华中师范大学 2016
[2]基于随机搜索策略的多标签特征选择方法研究[D]. 赵磊.南京师范大学 2016
[3]基于时间效应和用户兴趣变化的改进推荐算法研究[D]. 孙光辉.北京邮电大学 2014
[4]推荐算法研究和对象搜索引擎的搭建[D]. 罗睿阳.北京邮电大学 2014
[5]基于内容的垃圾邮件检测特征降维算法研究[D]. 冯禹.浙江大学 2013
[6]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[7]基于流形学习的数据降维的研究[D]. 唐文俊.广东工业大学 2012
[8]面向数据稀疏的协同过滤推荐算法研究[D]. 张学胜.中国科学技术大学 2011
本文编号：3098366
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3098366.html
