基于协同过滤和矩阵分解的推荐系统研究与应用

发布时间：2022-04-16 08:14

　　随着互联网的发展,人们获取信息的方式更加地丰富,获得的信息量也在急剧地增长。海量信息在满足需求的同时,也为人们带来一些困扰,大量信息中的无效信息一方面干扰了人们对正常信息的判断,另一方面也降低了人们对信息的处理效率。推荐系统是一种较好的应对海量信息的解决方案,它可以通过一定的方式对信息进行处理,将用户真正感兴趣的结果推荐给用户,采用这种方式可以提升用户对需求信息的获取效率。协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,许多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化。考虑到上述问题,本文提出了改进后的协同过滤推荐算法。本文提出的算法主要融合了相似度传递、用户兴趣迁移、矩阵分解技术等用以解决上述问题。首先,本文提出了基于项目相似度传递的协同推荐算法,该算法对相似度计算方法进行了改进,首先对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,将其应用到项目的评分中。其次,本文提出了基于用户兴趣迁移的隐语义模型推荐算法,该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正... 

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
引言
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文章节安排
2 相关研究技术
    2.1 协同过滤算法
        2.1.1 基于内存的协同过滤算法
        2.1.2 基于模型的协同过滤算法
    2.2 协同过滤算法存在的问题
3 基于项目相似度传递的协同过滤推荐算法
    3.1 相似度计算方法
    3.2 问题的提出
    3.3 改进的项目相似度计算方法
        3.3.1 可信关系建模
        3.3.2 相似度传递的计算
    3.4 实验设计与分析
        3.4.1 实验数据集
        3.4.2 实验结果
    3.5 本章小结
4 基于用户兴趣迁移的隐语义模型推荐算法
    4.1 隐语义模型
    4.2 用户兴趣迁移模型
    4.3 引入时间参数的隐语义模型
    4.4 实验设计与分析
        4.4.1 实验目的
        4.4.2 参数α值对RMSE的影响
        4.4.3 算法效果分析
    4.5 本章小结
5 基于相似度传递和时间权重的协同过滤
    5.1 引言
    5.2 混合推荐模式设计
        5.2.1 融入特征向量的混合推荐
        5.2.2 item-based协同过滤算法与LFM混合推荐算法
    5.3 实验结果及其分析
        5.3.1 权重因子β的确定
        5.3.2 算法效果分析
    5.4 本章小结
6 个性化电影推荐系统需求分析
    6.1 业务概述
    6.2 功能需求分析
        6.2.1 用户子系统的功能需求分析
        6.2.2 电影推荐子系统的功能需求分析
        6.2.3 后台管理子系统的功能需求分析
7 电影推荐系统设计与实现
    7.1 系统设计目标及原则
    7.2 软件体系结构
    7.3 推荐模块类图设计
    7.4 信息管理主要功能详细设计
        7.4.1 用户注册设计
        7.4.2 系统登录模块设计
        7.4.3 系统管理模块设计
        7.4.4 电影信息录入模块设计
        7.4.5 电影评论功能设计
    7.5 推荐系统运行效果
        7.5.1 系统登录界面
        7.5.2 用户前端界面
        7.5.3 管理员页面
    7.6 本章小结
8 总结与展望
    8.1 总结
    8.2 展望
参考文献
在学研究成果
致谢
Abstract
摘要


【参考文献】：
期刊论文
[1]基于Timed-HITS与协同过滤的混合推荐算法[J]. 孙艳蕊,陈月.  东北大学学报(自然科学版). 2019(04)
[2]一种基于信任机制的概率矩阵分解协同过滤推荐算法[J]. 王建芳,苗艳玲,韩鹏飞,刘永利.  小型微型计算机系统. 2019(01)
[3]Randomized Latent Factor Model for High-dimensional and Sparse Matrices from Industrial Applications[J]. Mingsheng Shang,Xin Luo,Zhigang Liu,Jia Chen,Ye Yuan,MengChu Zhou.  IEEE/CAA Journal of Automatica Sinica. 2019(01)
[4]一种改进相似度的协同过滤算法[J]. 于金霞,臧利明,王俊峰,汤永利.  河南理工大学学报(自然科学版). 2019(02)
[5]基于时间效应与隐语义模型的高校图书馆的个性化推荐研究[J]. 李薛剑,刘梦雅,海健强,吴雪扬,余雪莉.  计算机应用与软件. 2018(05)
[6]基于双层相似度的协同过滤推荐算法[J]. 谢毅刚,郭卫斌,李建华.  华东理工大学学报(自然科学版). 2018(01)
[7]基于改进相似性度量的项目协同过滤推荐算法[J]. 于金明,孟军,吴秋峰.  计算机应用. 2017(05)
[8]基于隐式评分和相似度传递的学习资源推荐[J]. 付芬,豆育升,韩鹏,李耀辉.  计算机应用研究. 2017(12)
[9]基于改进相似度的协同过滤算法研究[J]. 李容,李明奇,郭文强.  计算机科学. 2016(12)
[10]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)

硕士论文
[1]基于大数据分析的推荐系统研究[D]. 房璐璐.北京邮电大学 2015



本文编号：3645913