融合本体语义与用户属性的协同过滤推荐算法研究
发布时间：2022-01-18 21:19
大数据背景下,海量信息带来的信息过载问题日益严峻,如何高效快速地为用户寻找到满足需求的资源,已成为当前亟待解决的问题。推荐系统作为解决上述问题的重要工具,得到了学术界和工业界的广泛研究和应用。目前如何为用户提供更加个性化的建议是推荐算法的主要研究目标,协同过滤算法作为推荐领域中最经典的算法之一,通过具有相似喜好的用户群组为目标用户进行个性化推荐。然而伴随着数据量的不断增大,传统的协同过滤算法存在数据稀疏性、长尾现象导致的推荐精度降低等问题。针对上述问题,提出一种融合本体语义与用户属性的协同过滤推荐算法。首先,根据本体中项目的属性信息,利用本体语义相似度方法计算项目之间的相似度,构建项目相似度矩阵;其次,根据用户-项目评分矩阵提取用户属性信息,即用户兴趣度和差异度,构建用户相似度矩阵,进而融合本体语义与用户属性形成用户偏好矩阵;最后,对用户偏好矩阵的预测评分进行加权处理,完成TOP-N推荐。实验采用Movielens数据集,结果表明融合本体语义与用户属性的协同过滤推荐算法与当前流行的推荐算法相比,MAE值最低,准确率达到71%,在整体性以及新颖度上都优于其他推荐算法。该论文有图20幅,表...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
推荐系统研究趋势
辽宁工程技术大学硕士学位论文72相关基础理论2.1个性化推荐算法推荐系统中最关键的核心部分，即推荐算法，目前个性化推荐算法按照规则的不同可以划分为：基于内容、基于关联规则、基于协同过滤、基于知识和基于混合模型的这五种推荐算法等，详情见图2.1。协同过滤算法是在推荐领域中研究和发展最为广泛，基于内容的推荐算法和基于知识的推荐算法，一般是指根据内容或领域知识获取用户或项目的属性信息进行推荐，基于关联规则的推荐算法多于数据挖掘等经典算法框架相结合使用，挖掘更多用户兴趣信息为用户提供个性化建议，而混合推荐算法是通过混合其他推荐算法进行推荐，吸取不同算法的优点，起到了扬长避短的作用。图2.1推荐算法的分类Figure2.1Classificationofrecommendedalgorithms2.1.1基于协同过滤的推荐算法协同过滤算法是推荐系统中最经典的一种算法。在一定程度上，该算法标志着推荐系统的首次问世。算法于1992年首次提出，曾被GroupLens成功应用于过滤新闻和电子邮件过滤系统。协同过滤算法作为近年来推荐算法的研究热点之一，主要可分为基于模型的协同过滤算法与基于记忆的协同过滤算法。基于模型的协同过滤算法是根据用户的历史经验信息，采用数据挖掘、机器学习等学习方法训练一个推荐模型，然后利用这个训练模型为用户进行推荐。基于记忆的协同过滤算法可分为User-baseCF[29]与Item-baseCF[30]，其核心思想为：通过利用用户与项目之间的历史交互信息（如点击、浏览、评分等），挖掘用户的潜在偏好信息，根据用户对项目评分的不同，度量用户之间的相似度，搜索到与目标用户相似度较高的最近邻居集，进而通过最近邻居集对项目的评分来预测目标用户的兴趣倾向，最终形成推荐列表。协同过滤算法在近年来研究和关注度持续上升，与其?
辽宁工程技术大学硕士学位论文9现的总频率，N表示文本集中的总文本数，in表示文本集合中出现特征项it的文本数量。图2.2基于内容的推荐算法Figure2.2Content-basedrecommendationalgorithm2.1.3基于关联规则的推荐算法关联规则是数据挖掘中的经典算法之一，近年来在推荐系统中应用十分广泛。基于关联规则的推荐算法来自于一个对购物车分析“啤酒和尿布”的成功案例[32]。关联分析的输出包含规则的头部信息以及对应的主体信息，基于关联分析的推荐算法以这种关联分析的数据分析方式，根据用户浏览过的行为记录作为规则的头部信息，预测用户可能感兴趣的项目，即规则的主体信息，从而选出推荐的对象完成推荐。算法的基本实现方法如下：设12=,,...,NIiii为所有项目集合，数据集为D，A和mt为任意项目集合，mAt，mtI，根据关联规则AB，A,BI且AB=。首先，需要计算建立数据集中规则的支持度，即数据集D中AB的比例，如式(2.2)所示。()()=()=countABsupportABPABD（2.2）其次，根据规则AB的支持度计算出数据集中规则的置信度，如式(2.3)所示。()()()=()=()supportABcountABconfidenceABPBAsupportAcountA（）（2.3）最后，根据置信度再将其做相似度度量，计算方法如式(2.4)所示，找到相似度较高的邻居项目为当前目标用户进行推荐。(,)()ababsimiiconfidenceii（2.4）
【参考文献】：
期刊论文
[1]基于用户兴趣度量的知识发现服务精准推荐[J]. 丁梦晓,毕强,许鹏程,李洁,牟冬梅. 图书情报工作. 2019(03)
[2]结合项目流行度加权的协同过滤推荐算法[J]. 魏甜甜,陈莉,范婷婷,吴小华. 计算机应用研究. 2020(03)
[3]融合用户对项目和属性偏好的协同过滤算法[J]. 王云超,刘臻. 计算机科学. 2018(S2)
[4]融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法[J]. 赵明,闫寒,曹高峰,刘昕鸿. 电子与信息学报. 2019(01)
[5]一类BP神经网络优化评分预测的协同过滤推荐算法[J]. 王右雪,苏清华,胡中波. 长江大学学报(自科版). 2018(17)
[6]基于用户多属性加权和兴趣相似度的协同过滤算法研究[J]. 罗海媛,章牧. 情报探索. 2018(05)
[7]基于内容的加权粒度序列推荐算法[J]. 王光,张杰民,董帅含,夏帅. 计算机工程与科学. 2018(03)
[8]基于朴素贝叶斯与协同过滤的分布式推荐模型研究[J]. 何丽,李熙伟. 北方工业大学学报. 2017(05)
[9]基于用户项目体验度的协同过滤推荐算法[J]. 郑苏洋,姜久雷,王晓峰. 计算机工程. 2017(08)
[10]融合语义相似度与矩阵分解的评分预测算法[J]. 王阳,钟勇,李振东,杨观赐. 计算机应用. 2017(S1)
博士论文
[1]基于领域本体的电子商务推荐技术研究[D]. 肖敏.武汉理工大学 2009
硕士论文
[1]基于改进聚类和矩阵分解的协同过滤推荐算法研究[D]. 宋真真.辽宁工程技术大学 2018
[2]协同过滤算法的改进与应用研究[D]. 王璇.南京邮电大学 2017
[3]基于本体的语义相似度研究[D]. 阮春阳.郑州大学 2016
[4]基于本体的个性化推荐系统[D]. 王璐.电子科技大学 2013
[5]基于领域本体的语义检索及个性化推荐算法研究[D]. 曾维明.南京理工大学 2010
本文编号：3595610
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
推荐系统研究趋势
辽宁工程技术大学硕士学位论文72相关基础理论2.1个性化推荐算法推荐系统中最关键的核心部分，即推荐算法，目前个性化推荐算法按照规则的不同可以划分为：基于内容、基于关联规则、基于协同过滤、基于知识和基于混合模型的这五种推荐算法等，详情见图2.1。协同过滤算法是在推荐领域中研究和发展最为广泛，基于内容的推荐算法和基于知识的推荐算法，一般是指根据内容或领域知识获取用户或项目的属性信息进行推荐，基于关联规则的推荐算法多于数据挖掘等经典算法框架相结合使用，挖掘更多用户兴趣信息为用户提供个性化建议，而混合推荐算法是通过混合其他推荐算法进行推荐，吸取不同算法的优点，起到了扬长避短的作用。图2.1推荐算法的分类Figure2.1Classificationofrecommendedalgorithms2.1.1基于协同过滤的推荐算法协同过滤算法是推荐系统中最经典的一种算法。在一定程度上，该算法标志着推荐系统的首次问世。算法于1992年首次提出，曾被GroupLens成功应用于过滤新闻和电子邮件过滤系统。协同过滤算法作为近年来推荐算法的研究热点之一，主要可分为基于模型的协同过滤算法与基于记忆的协同过滤算法。基于模型的协同过滤算法是根据用户的历史经验信息，采用数据挖掘、机器学习等学习方法训练一个推荐模型，然后利用这个训练模型为用户进行推荐。基于记忆的协同过滤算法可分为User-baseCF[29]与Item-baseCF[30]，其核心思想为：通过利用用户与项目之间的历史交互信息（如点击、浏览、评分等），挖掘用户的潜在偏好信息，根据用户对项目评分的不同，度量用户之间的相似度，搜索到与目标用户相似度较高的最近邻居集，进而通过最近邻居集对项目的评分来预测目标用户的兴趣倾向，最终形成推荐列表。协同过滤算法在近年来研究和关注度持续上升，与其?
辽宁工程技术大学硕士学位论文9现的总频率，N表示文本集中的总文本数，in表示文本集合中出现特征项it的文本数量。图2.2基于内容的推荐算法Figure2.2Content-basedrecommendationalgorithm2.1.3基于关联规则的推荐算法关联规则是数据挖掘中的经典算法之一，近年来在推荐系统中应用十分广泛。基于关联规则的推荐算法来自于一个对购物车分析“啤酒和尿布”的成功案例[32]。关联分析的输出包含规则的头部信息以及对应的主体信息，基于关联分析的推荐算法以这种关联分析的数据分析方式，根据用户浏览过的行为记录作为规则的头部信息，预测用户可能感兴趣的项目，即规则的主体信息，从而选出推荐的对象完成推荐。算法的基本实现方法如下：设12=,,...,NIiii为所有项目集合，数据集为D，A和mt为任意项目集合，mAt，mtI，根据关联规则AB，A,BI且AB=。首先，需要计算建立数据集中规则的支持度，即数据集D中AB的比例，如式(2.2)所示。()()=()=countABsupportABPABD（2.2）其次，根据规则AB的支持度计算出数据集中规则的置信度，如式(2.3)所示。()()()=()=()supportABcountABconfidenceABPBAsupportAcountA（）（2.3）最后，根据置信度再将其做相似度度量，计算方法如式(2.4)所示，找到相似度较高的邻居项目为当前目标用户进行推荐。(,)()ababsimiiconfidenceii（2.4）
【参考文献】：
期刊论文
[1]基于用户兴趣度量的知识发现服务精准推荐[J]. 丁梦晓,毕强,许鹏程,李洁,牟冬梅. 图书情报工作. 2019(03)
[2]结合项目流行度加权的协同过滤推荐算法[J]. 魏甜甜,陈莉,范婷婷,吴小华. 计算机应用研究. 2020(03)
[3]融合用户对项目和属性偏好的协同过滤算法[J]. 王云超,刘臻. 计算机科学. 2018(S2)
[4]融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法[J]. 赵明,闫寒,曹高峰,刘昕鸿. 电子与信息学报. 2019(01)
[5]一类BP神经网络优化评分预测的协同过滤推荐算法[J]. 王右雪,苏清华,胡中波. 长江大学学报(自科版). 2018(17)
[6]基于用户多属性加权和兴趣相似度的协同过滤算法研究[J]. 罗海媛,章牧. 情报探索. 2018(05)
[7]基于内容的加权粒度序列推荐算法[J]. 王光,张杰民,董帅含,夏帅. 计算机工程与科学. 2018(03)
[8]基于朴素贝叶斯与协同过滤的分布式推荐模型研究[J]. 何丽,李熙伟. 北方工业大学学报. 2017(05)
[9]基于用户项目体验度的协同过滤推荐算法[J]. 郑苏洋,姜久雷,王晓峰. 计算机工程. 2017(08)
[10]融合语义相似度与矩阵分解的评分预测算法[J]. 王阳,钟勇,李振东,杨观赐. 计算机应用. 2017(S1)
博士论文
[1]基于领域本体的电子商务推荐技术研究[D]. 肖敏.武汉理工大学 2009
硕士论文
[1]基于改进聚类和矩阵分解的协同过滤推荐算法研究[D]. 宋真真.辽宁工程技术大学 2018
[2]协同过滤算法的改进与应用研究[D]. 王璇.南京邮电大学 2017
[3]基于本体的语义相似度研究[D]. 阮春阳.郑州大学 2016
[4]基于本体的个性化推荐系统[D]. 王璐.电子科技大学 2013
[5]基于领域本体的语义检索及个性化推荐算法研究[D]. 曾维明.南京理工大学 2010
本文编号：3595610
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3595610.html
