面向移动用户的协同过滤推荐算法研究

发布时间：2017-04-23 22:03

  本文关键词：面向移动用户的协同过滤推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：移动互联网络的发展,加剧了信息过载问题,人们不能准确地、适时的获取自己需求的信息。面对信息过载,推荐算法成为解决信息过载的最佳方案。推荐算法经过长期的发展,基于传统PC端的推荐系统已经成熟,而移动推荐的研究目前正在处于起步阶段,对于传统PC端环境,移动环境下具有更加丰富的信息特性,如上下文信息中的位置信息和时间信息,相比于传统推荐中使用的评分信息,移动用户的位置信息和时间信息难于进行数据模型化的建立,如何充分利用这些信息的特性给移动用户带来更加准确和适时的推荐内容,亟待研究面向移动用户的推荐算法。目前,移动推荐算法的研究正受到国内外的普遍重视,然而,大多数文献都是基于单维性或静态性的移动推荐算法的研究,而移动环境下的信息是多维性的和动态变化的,是位置、时间、社会关系和用户的个人兴趣偏好等综合作用,针对多维性和动态性,本文对移动用户的位置信息、时间效应信息建模分析,提出了一种多维动态的协同过滤推荐算法,将位置、时间及用户的项目评分三维信息进行结合,利用协同过滤推荐的思想,实现了一种更加适合移动互联网环境下移动用户特性的推荐。具体工作如下:1)提出移动用户位置信息轨迹描述,并依据此对用户的位置信息进行符号建模,根据移动互联网网络连接和位置信息服务的特点,制定了移动用户评分机制,实现了移动用户对位置的评分假设,从而得到了用户的位置评分矩阵,然后引入皮尔森相关系数分析用户位置的相似性,为位置信息的协同过滤提供了算法思想,结合传统的协同过滤算法,实现了对移动用户推荐的精准性;2)针对传统互联网的用户浏览的时间特性与移动用户的时间效应不同,总结了移动互联网络的时间效应,主要体现在四个方面,分别是:兴趣的持久度、衰减性、流行性、季节性,然后对四个时间效应进行建模分析,并最终结合传统KNN推荐算法,构造了基于时间效应的协同过滤推荐模型,解决了移动推荐的时效性和动态性;3)将本文所提出的位置信息协同过滤算法和时间效应协同过滤算法进行融合,提出了面向移动用户的协同过滤算法,该算法解决了多维性信息分析和动态性推荐的问题,能够为移动用户的推荐更加具有精确性、区域性、适时性。4)通过实验与传统几个典型推荐算法进行对比,验证本文提出的面向移动用户的多维动态协同过滤推荐算法的可行性,结果表明融入位置和时间的移动推荐算法更加适合移动互联网环境的推荐。
【关键词】：推荐算法 皮尔森相关系数 移动推荐 位置信息 时效性
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 研究背景10-11
• 1.2 研究意义及目的11-12
• 1.3 研究现状及存在的问题12-15
• 1.4 本文工作15-16
• 1.5 本文结构16-17
• 第2章 关键技术17-27
• 2.1 数据预处理17-21
• 2.2 相似度计算21-22
• 2.3 邻居选择算法22-23
• 2.4 矩阵分解算法23-24
• 2.5 评价指标24-26
• 2.5.1 准确度25
• 2.5.2 覆盖度25
• 2.5.3 多样性25-26
• 2.5.4 新颖性26
• 2.6 本章总结26-27
• 第3章 多维动态的协同过滤推荐算法27-44
• 3.1 位置信息的协同过滤27-34
• 3.1.1 位置轨迹分析27-29
• 3.1.2 位置信息模型29-31
• 3.1.3 位置信息相似性31-32
• 3.1.4 算法实现32-34
• 3.2 时间效应的协同过滤34-41
• 3.2.1 时间效应的遗忘规律34-35
• 3.2.2 时间函数的引入35-36
• 3.2.3 移动推荐的时间效应36-38
• 3.2.4 基于时效性的移动推荐模型38-40
• 3.2.5 算法步骤40-41
• 3.3 多维动态的协同过滤推荐算法41-43
• 3.3.1 时间和位置的上下文信息41-43
• 3.3.2 算法的设计43
• 3.4 本章总结43-44
• 第4章 实验结果与分析44-51
• 4.1 算法实现44-45
• 4.2 实验分析45-51
• 4.2.1 移动用户数据45-46
• 4.2.2 实验评价方法46-47
• 4.2.3 实验环境搭建47
• 4.2.4 结果分析47-51
• 第5章 总结与展望51-53
• 5.1 本文总结51
• 5.2 未来展望51-53
• 参考文献53-56
• 作者简介及在学期间所取得的科研成果56-57
• 致谢57

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q

本文编号：323074