改进型协同过滤推荐算法研究

发布时间：2017-08-21 12:07

  本文关键词：改进型协同过滤推荐算法研究

  更多相关文章： 协同过滤 RBF神经网络 用户-项目混合 比例因子

【摘要】：电子商务的蓬勃发展改变了用户传统的购物模式,网上购物模式相比传统的购物模式更加快捷方便,但同时也面临着互联网信息过载的问题,商品信息过载要求用户在海量的商品信息中寻找到自身感兴趣的商品,这就极大的降低了用户的购物效率。因而,这也成为了当今电子商务中急需解决的重大问题之一。个性化推荐系统根据用户的个性特征,为用户定制个性化的推荐服务,使用户更加快捷方便地获取到所感兴趣的东西,而个性化推荐算法是系统中最核心的部分。目前,个性化协同过滤推荐算法是应用与研究最为广泛的推荐算法,但该算法自身存在着诸如用户评分数据稀疏和新用户加入时冷启动等问题,所以,现今对协同过滤推荐算法的研究也都主要是围绕着这两个问题进行。本文的主要工作有以下几个方面：(1)针对传统的协同过滤推荐算法中目标用户的评分预测过于依赖邻近用户,而忽略目标用户自身的评分特性,本文提出了一种基于RBF径向基神经网络的预测方法。(2)传统的协同过滤推荐算法中的相似度计算方法在评分数据稀疏的情况下易造成偶然性的误差,本文采用了一种有效的相似度计算方法,在原有相似度计算的基础上加入用户间共同评分项目数占两个用户均有过评分的项目总数量的比,进一步提高相似度的计算精度。(3)针对传统的协同过滤推荐算法中单纯的使用基于用户协同过滤或者使用基于项目的协同过滤进行计算,而未把两者综合起来共同考虑的问题,本文采用了一种用户-项目混合的协同过滤推荐算法,把基于用户的协同过滤和基于项目的协同过滤通过比例因子进行联系起来,共同预测评分结果。(4)结合基于RBF径向基神经网络对传统算法的改进和用户-项目混合协同过滤推荐算法,提出一种基于RBF径向基神经网络的用户-项目混合协同过滤推荐算法,实验表明,改进后算法的平均绝对偏差值(MAE)比传统算法的更小,从而可以更有效的为用户进行个性化推荐。
【关键词】：协同过滤 RBF神经网络 用户-项目混合 比例因子
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-14
• 1.1 研究背景与意义8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究意义9-10
• 1.2 国内外研究现状10-12
• 1.3 本文的主要工作12
• 1.4 本文组织结构12-14
• 第二章 相关理论介绍14-28
• 2.1 个性化推荐技术概述及对比14-18
• 2.1.1 个性化推荐算法概述14-17
• 2.1.2 个性化推荐算法对比17-18
• 2.2 协同过滤推荐算法介绍18-22
• 2.2.1 用户-项目评分模型的建立19
• 2.2.2 邻近集合的建立19-21
• 2.2.3 推荐结果的计算21-22
• 2.3 径向基神经网络的基本原理22-25
• 2.3.1 人工神经网络的基本原理22-23
• 2.3.2 径向基神经网络结构和特点23-25
• 2.4 算法性能评价指标25-28
• 2.4.1 实验数据集25-26
• 2.4.2 实验评价指标26-27
• 2.4.3 实验环境27-28
• 第三章 基于RBF神经网络的协同过滤推荐算法28-38
• 3.1 传统的协同过滤推荐算法的缺陷28-30
• 3.2 基于RBF神经网络的系统过滤推荐算法30-34
• 3.2.1 改进型协同过滤推荐算法提出的依据30-32
• 3.2.2 算法的设计与实现32-34
• 3.4 实验的结果与分析34-38
• 3.4.1 不同评分数据密度算法的对比34-36
• 3.4.2 不同邻近用户数目算法对比36-38
• 第四章 基于RBF神经网络的用户-项目混合协同过滤推荐算法38-52
• 4.1 传统相似度计算方法的改进38-39
• 4.2 用户-项目混合协同过滤算法39-42
• 4.2.1 问题描述39-40
• 4.2.2 算法基本思想40
• 4.2.3 比例因子的分解40-42
• 4.3 基于RBF神经网络的用户-项目混合协同过滤推荐算法42-43
• 4.3.1 提出依据42
• 4.3.2 算法的设计与实现42-43
• 4.4 实验结果与分析43-52
• 4.4.1 不同评分数据稀疏度算法的对比43-47
• 4.4.2 不同邻近用户数目推荐算法的对比47-49
• 4.4.3 不同控制因子下推荐算法的对比49-50
• 4.4.4 实验分析与总结50-52
• 第五章 总结与展望52-54
• 5.1 工作总结52
• 5.2 工作展望52-54
• 参考文献54-58
• 致谢58-59
• 在读期间发表的学术论文与参与项目59-60
• 附录60-62
• Appendix62-63

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e，

本文编号：712774