基于用户和项目属性优化的协同过滤研究

发布时间：2021-11-10 17:23

　　协同过滤推荐是推荐系统中的一种重要推荐算法,该算法推荐准确度高,易于实现,但它仍然面临着数据稀疏性和冷启动等问题。在目前的研究中,主要的改进集中在基于模型的协同过滤中,在基于用户和项目属性的算法相似性和预测评分的改进上还存在着空缺。针对上述不足,本文结合用户和项目属性,提出一种基于项目和用户属性的协同过滤推荐算法。该算法分为下述两个部分。在基于项目属性评分的协同过滤中,本文引入了属性重要度和属性可信度两个重要概念,通过属性重要度描述用户对属性的喜好程度,通过属性可信度描述属性重要度的可信任程度。使用属性重要度、属性可信度和用户对项目的评分计算出用户对项目属性的评分。接下来使用用户对项目属性的评分构建用户-项目属性评分矩阵,并计算相似度,接下来在原始的用户-项目评分矩阵上对用户的评分进行预测。最后使用实验对属性重要度、属性可信度和多属性评分的有效性进行了证明,并将基于项目属性评分的协同过滤与基于均值的协同过滤的推荐效果进行了比较,实验表明本算法的推荐效果相比于基于均值的协同过滤在MAE评价标准上提升了0.02。在基于用户属性的聚类的协同过滤中,将用户特征量化,使用k-means算法对用户... 

【文章来源】：江西财经大学江西省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

总体研究思路根据这个研究思路，本文的研究方法主要分为下述两种方法

不再使用构建的用户-项目属阵计算出的相似度，结合原始的评分矩阵对时，需要选取与用户相似度最高，且对被预用户的 k 近邻，用户对某项目的预测评分即户对项目的喜好时，首先观察该用户的 k 部分近邻都对该项目评分较高时，对将这个大致推荐过程如下图所示：

calcDistance(Ij,Ki)ssign Kito IIiin I:alcCenter(Ii)类为两种，在自底向上的层次聚类中，首先使每个样本层，然后从最底层开始，每一次通过合并两个最相似的聚类簇，当所有数据样本都合并到一个聚类簇中。而自顶向下的层次聚类恰恰相反，首先将所有的样层，然后每次将这个聚类簇分裂为两个簇，形成下一簇中只有一个数据样本或是达到终止条件。聚类过程如下所示：

【参考文献】：
期刊论文
[1]结合用户属性聚类的协同过滤推荐算法[J]. 林康,杨云,秦怡,闵玉涓.  计算机与现代化. 2016(07)
[2]一种基于项目属性评分的协同过滤推荐算法[J]. 龚安,高云,高洪福.  计算机工程与科学. 2015(12)
[3]基于用户兴趣模糊聚类的协同过滤算法[J]. 刘占兵,肖诗斌.  现代图书情报技术. 2015(11)
[4]一种相似度改进的用户聚类协同过滤推荐算法[J]. 孙辉,马跃,杨海波,张红松.  小型微型计算机系统. 2014(09)
[5]一种利用协同过滤预测和模糊相似性改进的基于内容的推荐方法[J]. 姜书浩,薛福亮.  现代图书情报技术. 2014(02)
[6]基于项目属性和云填充的协同过滤推荐算法[J]. 孙金刚,艾丽蓉.  计算机应用. 2012(03)
[7]协同过滤推荐研究综述[J]. 奉国和,梁晓婷.  图书情报工作. 2011(16)
[8]改进的增量奇异值分解协同过滤算法[J]. 顾晔,吕红兵.  计算机工程与应用. 2011(11)
[9]基于动态贝叶斯网络的协同过滤推荐方法[J]. 赵永梅,任大勇.  黑龙江科技信息. 2010(14)
[10]基于BP神经网络的协作过滤推荐算法[J]. 张磊,陈俊亮,孟祥武,沈筱彦,段锟.  北京邮电大学学报. 2009(06)

硕士论文
[1]基于内容的推荐与协同过滤融合的新闻推荐研究[D]. 唐瑞.重庆理工大学 2016



本文编号：3487638