基于本体和降维技术的协同过滤推荐算法研究

发布时间：2021-01-22 09:46

　　随着信息系统规模的扩大和电子商务的快速发展,用户数量和项目资源数量急剧增加,用户评分矩阵规模急剧增大,如何处理高维矩阵,且应对数据稀疏性问题,增强推荐系统的可扩展性以及提升推荐算法的实时性,成为当前研究的重点。本研究融合本体和降维两种技术,试图解决上述问题。研究提出基于本体和降维技术的协同过滤（CF）推荐算法。以电影为例,利用电影本体库（MO）,计算基于领域本体的项目语义相似度,融合基于奇异值分解（SVD）评分矩阵的项目相似性,确定两者的权重因子,产生基于项目的预测评分;再融合基于用户的预测评分,确定融合因子,产生最终预测评分,生成推荐。这种算法不同于传统CF算法只考虑用户对项目的评分,引入基于本体的项目语义相似度,考虑项目自身属性对用户产生评分的影响,以此来调和项目相似度,降低评分矩阵数据稀疏性的影响,提高推荐准确度。同时,针对传统CF算法的可扩展性问题,使用期望最大化（EM）算法对用户-项目评分进行聚类,将相似的用户、项目划分成簇（Cluster）,同簇间的对象相似度较高,不同簇间的对象相似度较低,在获取最近邻时,不需要遍历数据集中所有的对象。从而大大降低了计算时间,提高实时性和增... 

【文章来源】：武汉科技大学湖北省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

Amazon推荐页面

【参考文献】：
期刊论文
[1]基于本体的语义相似度计算研究[J]. 张克亮,李芊芊.  郑州大学学报(理学版). 2019(02)
[2]基于数据双重优化聚类的协同过滤推荐算法[J]. 王艺霏,彭柏.  信息技术. 2018(06)
[3]基于高斯模型和概率矩阵分解的混合推荐算法[J]. 何慧.  统计与决策. 2018(03)
[4]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世.  计算机科学. 2017(S2)
[5]基于社会化媒体情境的多维协同智能推荐[J]. 卢志刚,孙亚丹.  计算机应用. 2016(03)
[6]基于PCA降维的协同过滤推荐算法[J]. 李远博,曹菡.  计算机技术与发展. 2016(02)
[7]基于粒子群优化和EM算法的图像聚类研究[J]. 汤峥,宋余庆,刘哲.  小型微型计算机系统. 2015(07)
[8]基于位置的社会化网络推荐系统[J]. 刘树栋,孟祥武.  计算机学报. 2015(02)
[9]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇.  模式识别与人工智能. 2014(08)
[10]电影本体的构建与一致性分析[J]. 高小龙,朱信忠,赵建民,曹存根,徐慧英,吴德.  计算机应用. 2014(08)

硕士论文
[1]基于标签分类和信任自编码器的协同过滤算法研究[D]. 朱峥宇.南京邮电大学 2019
[2]基于二阶隐马尔可夫模型的协同过滤算法的研究与应用[D]. 张丹.江苏大学 2019
[3]基于卷积神经网络和协同过滤的图书推荐系统[D]. 张华洁.山西大学 2019
[4]基于深度学习的协同过滤算法研究与改进[D]. 徐一雄.中国民航大学 2019
[5]基于卷积神经网络的协同过滤算法研究[D]. 武海龙.华中科技大学 2019
[6]基于隐语义模型的个性化推荐算法的研究[D]. 刘均.重庆邮电大学 2019
[7]基于聚类和矩阵分解的推荐算法的研究与改进[D]. 周超.青岛大学 2018
[8]基于文本挖掘的个性化推荐系统研究[D]. 崔苹.上海师范大学 2018
[9]基于用户与项目双重聚类的协同过滤算法的研究与分析[D]. 郑健.北京工业大学 2017
[10]基于OWL本体构建的网页图文摘要提取算法研究[D]. 韩凤娇.西南大学 2014



本文编号：2993010