融合内容与矩阵分解的混合推荐算法

发布时间：2023-02-17 20:46

　　面对海量的信息资源,想快速获取自身需要的信息往往要花费大量时间。推荐系统结合了用户的行为信息和自身的兴趣特点,直接向用户推荐可能感兴趣的信息,节省了筛选信息的时间,可以较好地解决信息过载问题。但目前推荐领域存在着冷启动、数据稀疏、推荐准确度低、扩展性较差等问题。传统的基于内容的推荐算法往往具有较低的准确性,而协同过滤推荐算法中普遍存在数据稀疏性和项目冷启动问题。为解决上述问题,提出了一种融合内容与协同矩阵分解技术的混合推荐算法。本文算法实现了在共同的低维空间中分解内容和协同矩阵,计算用户偏好相似性并形成权重矩阵,同时保留数据的局部结构。在内容方面利用一种加权技术来度量词汇在文本中的重要程度。在参数优化方面利用一种基于乘法更新规则的迭代方法,以此提高学习能力。在目标优化函数中,利用超参数控制各个部分的重要程度,以达到最优解。最后采用真实数据集对该算法进行验证与分析。实验结果表明,该算法的两个评价指标在数值上均有不同程度的提高,优于其他具有代表性的项目冷启动推荐算法,证明该算法有效解决了项目冷启动问题,缓解了数据稀疏性,提高了推荐准确度。该论文有图19幅,表4个,参考文献54篇。

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文组织结构
2 推荐系统理论及相关算法
    2.1 推荐系统简介
    2.2 推荐算法分类
    2.3 相似度计算方法
    2.4 评价指标
    2.5 本章小结
3 融合内容与矩阵分解的混合推荐算法
    3.1 相关技术及基本原理
    3.2 算法描述
    3.3 算法流程
    3.4 本章小结
4 实验结果与分析
    4.1 实验环境
    4.2 数据集描述
    4.3 实验设置
    4.4 对比算法
    4.5 实验结果与分析
    4.6 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3744556