基于动态聚类算法和属性信息的实时推荐系统的应用研究

发布时间：2023-04-03 04:09

　　协同过滤算法在电子商务中是一种有效推荐项目或服务的方法,比如天猫,亚马逊等平台.推荐算法的主要目的是提高推荐精度的同时,使用户快速地发现心仪的项目.研究发现,信息过载、信息过期、有效信息稀少等因素是导致推荐不准确的重要因素.为了更好找到用户感兴趣的项目,本文以提高推荐精度为目标,通过引入取整的遗忘函数模拟兴趣随时间的变化规律并解决信息过期问题.此外,通过多层网络动态聚类模型深度挖掘有效信息解决信息稀少和信息过期问题.(1)基于用户兴趣社区的个性化动态推荐算法.随着时间的流逝,用户兴趣渐渐发生变化.和近期的信息相比,过时的信息对用户目前兴趣的影响微弱,但合理地利用这些过期信息可以降低数据的稀疏度进而提高推荐精度.基于此,本章提出一种基于用户兴趣社区的个性化推荐算法.该算法较好反映了兴趣随时间的变化规律及其对推荐精度的影响.首先,我们建立一个新的原始的评分矩阵,将取整的遗忘函数融入评分矩阵.其次,利用差分方程组将高相似度的用户或项目聚到相同社区并且给出了该聚类算法的Lyapunov稳定性分析.最后,通过计算相似度,实时预测未知的信息.在各个真实数据集上进行大量的实验,不同的评价指标都证明了...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 推荐算法研究背景和研究现状
    1.2 动态推荐算法研究背景和研究现状
    1.3 本文的工作安排
第二章 基于用户兴趣社区的个性化动态推荐算法
    2.1 动态协同过滤算法
        2.1.1 新评分矩阵的建立
        2.1.2 社区划分
        2.1.3 理论分析
        2.1.4 评分预测和推荐
        2.1.5 算法流程
    2.2 实验过程和结果
        2.2.1 数据集的描述和评价指标
        2.2.2 兴趣变化因子的选取
        2.2.3 推荐算法结果的比较
    2.3 本章小结
第三章 基于多层网络动态聚类协同过滤推荐算法
    3.1 建立用户项目属性的多层网络
        3.1.1 用户层节点的边权矩阵
        3.1.2 项目层节点的边权矩阵
        3.1.3 层间节点的边权矩阵
    3.2 多层网络的聚类
    3.3 理论分析
    3.4 基于预测评分的推荐
        3.4.1 相似度的测量
        3.4.2 Top-N推荐
    3.5 算法流程
    3.6 实验过程与结果分析
        3.6.1 评价指标
        3.6.2 数据集
        3.6.3 推荐算法结果的比较
    3.7 本章小结
第四章 总结与展望
    4.1 总结
    4.2 展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果



本文编号：3780629