基于用户兴趣变化和聚类的混合推荐算法研究
发布时间：2021-12-10 07:45
随着互联网的快速发展,很多网络用户在面对巨大的网络信息时,很难快速获取到自己想要的需求信息。为了满足用户需求,个性化推荐系统由此产生。在推荐系统中,协同过滤算法得到了广泛地应用。然而,协同过滤算法建立的用户兴趣模型并没有考虑到用户兴趣会随外界因素的影响而发生变化,以及算法中存在的数据稀疏和实时性问题,这些问题将会影响推荐系统的推荐质量。为了有效解决上述问题,本文主要围绕用户兴趣捕捉、降低数据稀疏度和提升算法实时性三个方面展开具体深入的研究,研究的主要内容有:1)本文提出一种基于用户兴趣变化的协同过滤算法,用于解决协同过滤算法不能够实时地捕捉用户兴趣变化问题。该算法通过将用户项目评分的时间因素和当前时间窗口内项目流行度整合到协同过滤算法中,利用模拟艾宾浩斯遗忘曲线函数建立时间模型,以及通过统计当前时间窗口内用户对项目的反馈数量建立项目流行度模型;然后将两种模型相结合,提出了一种新的评分权重计算模型;最后将评分权重计算模型带入到用户间相似度和项目预打分的计算公式中,对评分矩阵中的打分进行加权处理。通过实验验证,该算法可以有效地捕捉用户兴趣变化,提高推荐系统的准确率。2)本文提出一种基于用户...
【文章来源】：安徽理工大学安徽省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图７不同时间段的用户兴趣变化??Ｆｉｇ７?Ｕｓｅｒ?ｉｎｔｅｒｅｓｔ?ｃｈａｎｇｅｓ?ｏｖｅｒ?ｔｉｍｅ??
项目流行度是指在某一时间段内用户评价或者反馈的数量，评价的人数??越多就表示该项目的流行度越高，就可能代表在这个时间段内人们的普遍偏好。??图８表示项目流行度对用户兴趣的影响。??兴３?＾……ｕｓｅｒｌ??趣，Ｉ一?／．?——??＾?＊?麵騰―ｕｓｅｒ３??１??—?？?？?ｕｓｅｒ?４??０?；?＇?Ｔ?＊?＇?Ｔ?；??一月?二月?三月?四月?五月?六月??时间??图８项目流行度对用户兴趣的影响??Ｆｉｇ８?Ｉｍｐａｃｔ?ｏｆ?ｐｒｏｊｅｃｔ?ｐｏｐｕｌａｒｉｔｙ?ｏｎ?ｕｓｅｒ?ｉｎｔｅｒｅｓｔ??图８表示用户对某个电影明星主演电影的兴趣度，图中的四条曲线分别表示??在不同时间段内ｕｓｅｒｌ、ｕｓｅｒ２、ｕｓｅｒ３和ｕｓｅｒ４对该电影明星主演地电影的兴趣变??化，假定以月份作为时间窗口的大小。通过对图８的分析，可知ｕｓｅｒｌ、ｕｓｅｒ２、??ｕｓｅｒ３在六月份之前对该电影明星主演地电影的兴趣度较稳定，但是到六月份的时??候ｕｓｅｒｌ、ｕｓｅｒ２、ｕｓｅｒ３都开始对该电影明星主演地电影产生了较高的兴趣度，同??时ｕＳｅｒ４在六月份之前一直对该电影明星主演地电影的兴趣度很低，但是到了六??月份的时候
艾宾浩斯遗忘曲线是由著名的心理学家Ｈ．Ｅｂｂｉｎｇｈａｕｓ提出的，给出了人类大脑??对新知识遗忘规律的描述。依据ＲＥｂｂｉｎｇｈａｕｓ的实验，可以将记忆的遗忘过程用一??条曲线进行直观的表现，如图１４所示。??由前面的分析可知，用户项目评分矩阵中的项目打分与用户兴趣的关系类似于??人脑记忆的遗忘过程，都是随着时间的推移表现出指数下降的形式。因此，可以??利用模拟艾宾浩斯遗忘曲线的公式，计算出用户－项目评分矩阵各个历史评分所具??有的时间权重。接下来，给出使用比较普遍的模拟艾宾浩斯遗忘曲线的遗忘函数，??即牛顿冷却公式。??－２４－??
【参考文献】：
期刊论文
[1]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[2]智能推荐算法研究综述[J]. 张松兰. 长春师范大学学报. 2017(06)
[3]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[4]基于用户社会关系的社交网络好友推荐算法研究[J]. 景楠,王建霞,许皓,卞亦文. 中国管理科学. 2017(03)
[5]基于协同过滤的个性化微博推荐算法研究[J]. 秦晓晖. 软件工程. 2017(03)
[6]基于用户兴趣变化的协同过滤推荐算法[J]. 李道国,何狄江,李连杰. 生产力研究. 2017(01)
[7]网上个性化推荐研究述评与展望[J]. 孙鲁平,张丽君,汪平. 外国经济与管理. 2016(06)
[8]结合用户特征和兴趣变化的组推荐系统算法研究[J]. 胡伟健,陈俊,李灵芳,何盛国. 软件导刊. 2016(06)
[9]基于评分矩阵填充与用户兴趣的协同过滤推荐算法[J]. 韩亚楠,曹菡,刘亮亮. 计算机工程. 2016(01)
[10]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[2]上下文感知推荐系统若干关键技术研究[D]. 王立才.北京邮电大学 2012
硕士论文
[1]基于聚类与用户兴趣偏好的协同过滤推荐技术研究[D]. 孙望.北京工业大学 2017
[2]面向稀疏数据的个性化推荐技术研究[D]. 石教开.西南大学 2016
[3]基于MapReduce的协同过滤推荐算法研究[D]. 戚丽丽.太原理工大学 2014
[4]基于评论和评分的个性化推荐算法研究[D]. 许景楠.浙江大学 2013
本文编号：3532180
【文章来源】：安徽理工大学安徽省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图７不同时间段的用户兴趣变化??Ｆｉｇ７?Ｕｓｅｒ?ｉｎｔｅｒｅｓｔ?ｃｈａｎｇｅｓ?ｏｖｅｒ?ｔｉｍｅ??
项目流行度是指在某一时间段内用户评价或者反馈的数量，评价的人数??越多就表示该项目的流行度越高，就可能代表在这个时间段内人们的普遍偏好。??图８表示项目流行度对用户兴趣的影响。??兴３?＾……ｕｓｅｒｌ??趣，Ｉ一?／．?——??＾?＊?麵騰―ｕｓｅｒ３??１??—?？?？?ｕｓｅｒ?４??０?；?＇?Ｔ?＊?＇?Ｔ?；??一月?二月?三月?四月?五月?六月??时间??图８项目流行度对用户兴趣的影响??Ｆｉｇ８?Ｉｍｐａｃｔ?ｏｆ?ｐｒｏｊｅｃｔ?ｐｏｐｕｌａｒｉｔｙ?ｏｎ?ｕｓｅｒ?ｉｎｔｅｒｅｓｔ??图８表示用户对某个电影明星主演电影的兴趣度，图中的四条曲线分别表示??在不同时间段内ｕｓｅｒｌ、ｕｓｅｒ２、ｕｓｅｒ３和ｕｓｅｒ４对该电影明星主演地电影的兴趣变??化，假定以月份作为时间窗口的大小。通过对图８的分析，可知ｕｓｅｒｌ、ｕｓｅｒ２、??ｕｓｅｒ３在六月份之前对该电影明星主演地电影的兴趣度较稳定，但是到六月份的时??候ｕｓｅｒｌ、ｕｓｅｒ２、ｕｓｅｒ３都开始对该电影明星主演地电影产生了较高的兴趣度，同??时ｕＳｅｒ４在六月份之前一直对该电影明星主演地电影的兴趣度很低，但是到了六??月份的时候
艾宾浩斯遗忘曲线是由著名的心理学家Ｈ．Ｅｂｂｉｎｇｈａｕｓ提出的，给出了人类大脑??对新知识遗忘规律的描述。依据ＲＥｂｂｉｎｇｈａｕｓ的实验，可以将记忆的遗忘过程用一??条曲线进行直观的表现，如图１４所示。??由前面的分析可知，用户项目评分矩阵中的项目打分与用户兴趣的关系类似于??人脑记忆的遗忘过程，都是随着时间的推移表现出指数下降的形式。因此，可以??利用模拟艾宾浩斯遗忘曲线的公式，计算出用户－项目评分矩阵各个历史评分所具??有的时间权重。接下来，给出使用比较普遍的模拟艾宾浩斯遗忘曲线的遗忘函数，??即牛顿冷却公式。??－２４－??
【参考文献】：
期刊论文
[1]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[2]智能推荐算法研究综述[J]. 张松兰. 长春师范大学学报. 2017(06)
[3]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[4]基于用户社会关系的社交网络好友推荐算法研究[J]. 景楠,王建霞,许皓,卞亦文. 中国管理科学. 2017(03)
[5]基于协同过滤的个性化微博推荐算法研究[J]. 秦晓晖. 软件工程. 2017(03)
[6]基于用户兴趣变化的协同过滤推荐算法[J]. 李道国,何狄江,李连杰. 生产力研究. 2017(01)
[7]网上个性化推荐研究述评与展望[J]. 孙鲁平,张丽君,汪平. 外国经济与管理. 2016(06)
[8]结合用户特征和兴趣变化的组推荐系统算法研究[J]. 胡伟健,陈俊,李灵芳,何盛国. 软件导刊. 2016(06)
[9]基于评分矩阵填充与用户兴趣的协同过滤推荐算法[J]. 韩亚楠,曹菡,刘亮亮. 计算机工程. 2016(01)
[10]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[2]上下文感知推荐系统若干关键技术研究[D]. 王立才.北京邮电大学 2012
硕士论文
[1]基于聚类与用户兴趣偏好的协同过滤推荐技术研究[D]. 孙望.北京工业大学 2017
[2]面向稀疏数据的个性化推荐技术研究[D]. 石教开.西南大学 2016
[3]基于MapReduce的协同过滤推荐算法研究[D]. 戚丽丽.太原理工大学 2014
[4]基于评论和评分的个性化推荐算法研究[D]. 许景楠.浙江大学 2013
本文编号：3532180
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3532180.html
