基于标签权重的个性化协同过滤推荐算法
发布时间：2022-01-19 21:46
互联网技术飞速发展产生的海量数据让用户很难快速高效的查找到有价值的信息,推荐系统因为可以帮助用户解决这一难题而被广泛研究。协同过滤的算法因其简便、易实现且推荐效果好成为主流的推荐技术。但其推荐性能往往因为用户操作数据过于稀疏受到影响,不能为用户产生合理的推荐原因也会影响用户的体验度。针对上述问题,本文提出了融合标签权重的个性化协同过滤推荐算法。首先,根据用户-项目评分矩阵以及项目标签,采用TF-IDF的方法计算用户的标签权重矩阵,然后分别采用三种不同的方法模型进行实验:1、结合线性回归模型的个性化协同过滤推荐算法,根据用户标签权重矩阵,结合用户-项目评分矩阵构建线性回归模型,采用梯度下降的方法最小化代价函数的值,得到项目标签权重矩阵。然后将用户和项目的标签权重矩阵回代入线性回归模型,得到用户对所有未评分项目的预测评分,采用SlopeOne算法原理,计算预测评分同实际评分的差值平均,对预测结果进行调整得到最终的预测评分,对结果进行排序并推荐Top-N的项目给目标用户。2、基于近邻用户的协同过滤推荐算法,首先采用近邻传播算法对用户进行聚类,在聚类结果中寻找目标用户的近邻用户集,根据近邻用户...
【文章来源】：新疆大学新疆维吾尔自治区 211工程院校
【文章页数】：50 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.1.1 课题研究背景
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 推荐系统研究现状
1.2.2 协同过滤推荐系统研究现状
1.2.3 基于标签的推荐系统研究现状
1.3 文章组织结构
1.3.1 主要研究内容
1.3.2 主要创新点
1.3.3 论文组织结构
第二章 推荐系统相关技术
2.1 推荐系统相关理论与技术
2.2 数据处理技术
2.2.1 标签预处理
2.2.2 聚类
2.2.3 相似度
2.2.4 评价标准
第三章 结合线性回归模型的个性化协同过滤推荐算法
3.1 推荐模型的构建
3.1.1 构建线性模型
3.1.2 构建代价函数
3.1.3 梯度下降算法
3.1.4 SlopeOne算法
3.2 算法设计
3.2.1 算法描述
3.2.2 算法流程图
3.3 实验结果及分析
3.3.1 实验数据集
3.3.2 算法评估标准
3.3.3 实验设计及结果分析
3.4 本章小结
第四章 基于近邻用户的协同过滤推荐算法
4.1 推荐模型的构建
4.1.1 聚类
4.1.2 相似度权重计算
4.1.3 产生推荐
4.2 算法设计
4.2.1 算法描述
4.3 实验结果及分析
4.3.1 推荐算法数据集
4.3.2 评价指标
4.3.3 实验设计及结果分析
4.4 本章小结
4.5 两种算法模型的比较
4.5.1 两种算法的异同点
4.5.2 两种算法的优缺点
第五章 两种算法模型的混合推荐
5.1 推荐模型的构建
5.2 算法设计
5.2.1 算法描述
5.3 实验结果及分析
5.3.1 实验数据集
5.3.2 算法评估标准
5.3.3 实验设计及结果分析
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
附录:文中部分程序代码
攻读硕士学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于标签权重的协同过滤推荐算法[J]. 雷曼,龚琴,王纪超,王保群. 计算机应用. 2019(03)
[2]基于标签信息特征相似性的协同过滤个性化推荐[J]. 何明,要凯升,杨芃,张久伶. 计算机科学. 2018(S1)
[3]基于标签聚类与项目主题的协同过滤推荐算法[J]. 李昊阳,符云清. 计算机科学. 2018(04)
[4]融合协同过滤的线性回归推荐算法[J]. 庞海龙,赵辉,李万龙,马莹,崔岩. 计算机应用研究. 2019(05)
[5]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[6]基于标签和PageRank的重要微博用户推荐算法[J]. 王嵘冰,安维凯,冯勇,徐红艳. 计算机科学. 2018(02)
[7]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)
[8]基于异构网络面向多标签系统的推荐模型研究[J]. 王瑜,武延军,吴敬征,刘晓燕. 软件学报. 2017(10)
[9]基于标签优化的协同过滤推荐算法[J]. 张景龙,黄梦醒,张雨,吴庆州. 计算机应用研究. 2018(10)
[10]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
硕士论文
[1]基于协同过滤算法的个性化图书推荐系统的研究与实现[D]. 刘雨声.重庆理工大学 2018
[2]协同过滤技术中的数据预处理研究[D]. 刘杰.大连理工大学 2018
本文编号：3597615
【文章来源】：新疆大学新疆维吾尔自治区 211工程院校
【文章页数】：50 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.1.1 课题研究背景
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 推荐系统研究现状
1.2.2 协同过滤推荐系统研究现状
1.2.3 基于标签的推荐系统研究现状
1.3 文章组织结构
1.3.1 主要研究内容
1.3.2 主要创新点
1.3.3 论文组织结构
第二章 推荐系统相关技术
2.1 推荐系统相关理论与技术
2.2 数据处理技术
2.2.1 标签预处理
2.2.2 聚类
2.2.3 相似度
2.2.4 评价标准
第三章 结合线性回归模型的个性化协同过滤推荐算法
3.1 推荐模型的构建
3.1.1 构建线性模型
3.1.2 构建代价函数
3.1.3 梯度下降算法
3.1.4 SlopeOne算法
3.2 算法设计
3.2.1 算法描述
3.2.2 算法流程图
3.3 实验结果及分析
3.3.1 实验数据集
3.3.2 算法评估标准
3.3.3 实验设计及结果分析
3.4 本章小结
第四章 基于近邻用户的协同过滤推荐算法
4.1 推荐模型的构建
4.1.1 聚类
4.1.2 相似度权重计算
4.1.3 产生推荐
4.2 算法设计
4.2.1 算法描述
4.3 实验结果及分析
4.3.1 推荐算法数据集
4.3.2 评价指标
4.3.3 实验设计及结果分析
4.4 本章小结
4.5 两种算法模型的比较
4.5.1 两种算法的异同点
4.5.2 两种算法的优缺点
第五章 两种算法模型的混合推荐
5.1 推荐模型的构建
5.2 算法设计
5.2.1 算法描述
5.3 实验结果及分析
5.3.1 实验数据集
5.3.2 算法评估标准
5.3.3 实验设计及结果分析
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
附录:文中部分程序代码
攻读硕士学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于标签权重的协同过滤推荐算法[J]. 雷曼,龚琴,王纪超,王保群. 计算机应用. 2019(03)
[2]基于标签信息特征相似性的协同过滤个性化推荐[J]. 何明,要凯升,杨芃,张久伶. 计算机科学. 2018(S1)
[3]基于标签聚类与项目主题的协同过滤推荐算法[J]. 李昊阳,符云清. 计算机科学. 2018(04)
[4]融合协同过滤的线性回归推荐算法[J]. 庞海龙,赵辉,李万龙,马莹,崔岩. 计算机应用研究. 2019(05)
[5]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[6]基于标签和PageRank的重要微博用户推荐算法[J]. 王嵘冰,安维凯,冯勇,徐红艳. 计算机科学. 2018(02)
[7]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)
[8]基于异构网络面向多标签系统的推荐模型研究[J]. 王瑜,武延军,吴敬征,刘晓燕. 软件学报. 2017(10)
[9]基于标签优化的协同过滤推荐算法[J]. 张景龙,黄梦醒,张雨,吴庆州. 计算机应用研究. 2018(10)
[10]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
硕士论文
[1]基于协同过滤算法的个性化图书推荐系统的研究与实现[D]. 刘雨声.重庆理工大学 2018
[2]协同过滤技术中的数据预处理研究[D]. 刘杰.大连理工大学 2018
本文编号：3597615
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3597615.html
