基于用户特征和信任度的推荐算法研究与实现

发布时间：2021-06-05 19:39

　　信息量随着互联网的急剧发展呈爆炸式增长,导致用户在面对大量信息时很难从中获取真正有用的信息,推荐系统的出现在很大程度上解决了信息过载问题。协同过滤推荐算法凭借其出色的推荐质量,在推荐领域中广泛应用。协同过滤推荐算法通过分析用户的历史行为挖掘用户的喜好,找到与目标用户志趣相投的用户群体,综合他们的评价,预测目标用户对指定物品的评分。在真实环境中,随着用户和物品数量的急速增加,冷启动、数据稀疏性以及时效性等问题逐渐暴露出来,严重影响了协同过滤推荐算法的推荐质量。针对上述问题,本文对协同过滤推荐算法展开深入研究,提出了基于用户特征和信任度的推荐算法,简称User-CT算法。本文主要研究内容如下:1、针对用户评分尺度不同和评分矩阵稀疏而造成的相似度计算结果准确性低的问题,对用户的主观评分进行归一化处理;建立用户动态兴趣偏好模型,从用户的高评分中进一步挖掘用户的真实喜好,并且考虑时间因素,可以保证推荐的时效性。2、传统的协同过滤推荐算法通过用户间共同评分项目度量用户间的相似度,忽略了不存在共同评分项目的用户间的潜在关系,而这恰恰对推荐结果也有着至关重要的影响,所以建立用户信任关系模型,挖掘不存在... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

推荐技术在网易云音乐、淘宝以及腾讯视频中的应用情景实际应用中，系统中所使用的推荐技术并非是直接将算法拿来使用，而是在已有的推荐算法上不断改进的

这就造成了两个用户即使是很高。在度量用户间相似度的时属性的关注。此外，计算用户相似在共同评分项目的用户间的潜在关有潜在的关系，其相关度并不为零义，如果忽略不计，那么求得的推品，我们应该着重关注，因为评分以说用户的兴趣偏好特征也应该是动问题用户相似度的时候仅仅依靠用户的任何有关该用户的信息，所以系统的推荐，这便是所谓的用户冷启动

第三章 基于用户特征和信任度的推荐算法设计图 3.3 展示了 2018 年 11 月到 2019 年 2 月的《海王》热度变化曲线。从图中可以看出，电影在首映日的搜索量和讨论热度达到峰值，之后随着影片上映日期的延长和院线的下线热度迅速衰减，可以反映出物品是有生命周期的，其热度随着时间的迁移而发生改变。

【参考文献】：
期刊论文
[1]面向搜索引擎的实体推荐综述[J]. 黄际洲,孙雅铭,王海峰,刘挺.  计算机学报. 2019(07)
[2]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华.  计算机系统应用. 2019(02)
[3]网络大数据的现状与展望[J]. 谢亚雷.  电子技术与软件工程. 2018(18)
[4]国内外大数据推荐算法领域前沿动态研究[J]. 陈军,谢卫红,陈扬森.  中国科技论坛. 2018(01)
[5]推荐系统冷启动问题解决策略研究[J]. 乔雨,李玲娟.  计算机技术与发展. 2018(02)
[6]国内信息过载研究述评与思考[J]. 徐瑞朝,曾一昕.  图书馆学研究. 2017(18)
[7]个性化信息推荐方法研究[J]. 姜信景,齐小刚,刘立芳.  智能系统学报. 2018(02)
[8]融合用户信任的协同过滤推荐算法[J]. 李良,董宇欣,赵春晖,程伟杰.  小型微型计算机系统. 2017(05)
[9]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)
[10]一种融合用户上下文信息和动态预测的协同过滤推荐算法[J]. 吕杰,关欣,李锵,张立毅.  小型微型计算机系统. 2016(08)



本文编号：3212781