长尾物品个性化推荐中的协同过滤

发布时间：2023-03-29 20:14

　　互联网和科学技术的发展不断地降低物品的生产成本,致使物品空间迅速膨胀,长尾物品越来越多;物质世界的日益丰富,使得人们对个性化的要求也越来越高,而不再是从众地消费热门物品。但在信息的汪洋大海中,人们很难发掘自己感兴趣的长尾物品,长尾市场也难以定位到合适的用户群体。为了解决信息过载和不对称的问题,推荐系统应运而生,但目前常见的推荐算法大都倾向于为用户推荐热门产品。因此,构建长尾物品个性化推荐模型具有十分重要的现实意义。本文在MovieLens数据集上进行长尾物品推荐研究。针对用户物品矩阵数据所拥有的稀疏性、物品流行度分布有偏性特点,使用ITCC双聚类和K-means聚类算法对其进行聚类。实证分析结果表明,聚类算法能有效地提高子用户物品矩阵的稠密度和长尾物品的流行度,并且以聚类方法作为基于物品的协同过滤算法的预处理步骤,能提升长尾物品的推荐效果。其次,面对隐反馈用户物品矩阵数据缺少明确的正负反馈信息的问题和推荐长尾物品的需求,本文探索改进基于隐语义模型的协同过滤算法:对于用户物品矩阵中的每个用户物品对,根据有无历史交互记录猜测用户对物品是否感兴趣,并根据物品的流行度给出猜测的置信度。这样的改...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文结构与创新点
第二章 数据来源及描述性分析
    2.1 数据来源及预处理
    2.2 变量说明与问题解释
    2.3 描述性分析
第三章 基于聚类和近邻的协同过滤
    3.1 模型评价准则
    3.2 聚类算法
        3.2.1 ITCC双聚类
        3.2.2 K-means聚类
    3.3 基于近邻的协同过滤
        3.3.1 基于用户的协同过滤
        3.3.2 基于物品的协同过滤
    3.4 实证分析
第四章 基于隐语义模型的协同过滤
    4.1 隐语义模型及存在的不足
    4.2 改进的隐语义模型
        4.2.1 改进的隐语义模型
        4.2.2 交替最小二乘算法
    4.3 模拟研究
        4.3.1 模拟用户物品矩阵数据
        4.3.2 参数选择
        4.3.3 模型比较
    4.4 实证分析
        4.4.1 参数选择
        4.4.2 模型比较
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢



本文编号：3774399