基于低秩矩阵分解的协同过滤推荐算法的研究

发布时间：2021-03-09 15:10

　　随着信息网络技术的发展,电子商务得到了很好的发展,网上购物成为了人们生活中不可或缺的重要组成部分。而购物网站上商品如此繁多,如何可以找到自己喜欢的物品呢?正是基于此,推荐系统才诞生,它在为我们推荐个性化物品中起到了显著的作用。目前在电子商务系统中应用的推荐系统主要有以下几种:基于内容的推荐、协同过滤算法的推荐和混合推荐。本文主要介绍的是基于矩阵分解模型的协同过滤算法及其优化。协同过滤算法在电子商务中的应用最为普遍,它又分为基于邻域的协同过滤和基于矩阵分解模型的协同过滤,而矩阵分解技术在协同过滤算法中的研究也属于前沿的技术之一。低秩矩阵分解剔除了原有评分矩阵的冗余的信息和一些无效的信息,又在最大的程度上,保留了评分矩阵的有效信息,符合了矩阵降维的思想,在计算量上大大的减少,也节省了存储空间成本,因此,低秩矩阵分解在推荐系统这一领域有着不错的成绩。本文从分析低秩矩阵分解的协同过滤算法的研究入手,查阅了相关的资料,并比较了国内外的研究现状,确定了本文研究的方向及方法。本文研究的内容及创新如下:首先,本文在低秩矩阵分解的协同过滤算法下,融入k-means聚类算法。在评分矩阵使用低秩矩阵分解之后... 

【文章来源】：成都理工大学四川省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

淘宝网的猜你喜欢

图 2-2 京东的为你推荐有关推荐系统的算法种类繁多，各种算法又各有优劣，评价标准就是用来衡量各算法的优劣的，找出缺点加以优化改进。目前主要的评价标准有准确度、覆盖率等，其中准确度又分为评分预测准确度和 Top-N 推荐准确度。(1)评分预测准确度评分预测准确度用来评价预测评分与实际评分之间的差别，数值越小代表准确度越高。常用两种计算方式，一种是均方根误差（RMSE），另一种是平均绝对误差（MAE）。MAE 相较于 RMSE 能更好地预测值误差的实际情况，而 RMSE会忽略较小值的误差，对异常值比较敏感。 均方根误差均方根误差的定义为：RMSE =∑ ( ), ∈| |(2 2) 平均绝对误差

图 2-4 基于用户的协同过滤示表 2-1 User-Item 评分矩阵Item1 Item2 Item3 2 2 3 5 6 6 1 ？ 1 4 ？ 3 5 ？ 3 余弦相似度似度，通过计算两个向量夹角的余弦值大，也就说明两个向量越相似，反之，如图 2-5 所示。

【参考文献】：
期刊论文
[1]协同过滤推荐算法综述[J]. 李晓瑜.  商丘师范学院学报. 2018(09)
[2]基于SVD协同过滤的餐饮推荐系统设计[J]. 朱冲?,蔡其铼,张登辉.  浙江树人大学学报(自然科学版). 2018(02)
[3]基于局部全局相似度的SVD的协同过滤算法[J]. 牛常勇,刘国枢.  计算机工程与设计. 2016(09)
[4]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲.  计算机应用. 2016(02)
[5]基于SVD的K-means聚类协同过滤算法[J]. 王伟,杨宁,李丽华,刘国强.  微计算机信息. 2012(08)

博士论文
[1]推荐系统中协同过滤算法若干问题的研究[D]. 张亮.北京邮电大学 2009
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005

硕士论文
[1]基于用户信任度的协同过滤推荐算法研究[D]. 张婷.河北大学 2018
[2]基于协同过滤的个性化推荐算法研究[D]. 梁雪雷.江西理工大学 2018
[3]基于信任和矩阵分解的社会化推荐算法[D]. 朱亚兰.江西理工大学 2018
[4]基于协同过滤技术的推荐算法研究[D]. 赵尉翔.长安大学 2018
[5]基于矩阵分解和聚类的协同过滤算法研究[D]. 任怡.吉林大学 2018
[6]基于用户的协同过滤推荐算法研究[D]. 龙姝言.重庆理工大学 2018
[7]基于局部低秩矩阵近似推荐算法研究[D]. 陈新吾.电子科技大学 2018
[8]基于K-means聚类的协同过滤推荐算法研究[D]. 杨大鑫.杭州电子科技大学 2018
[9]基于hadoop的高校图书馆图书推荐系统研究及实现[D]. 李冲.北京邮电大学 2018
[10]矩阵填充算法研究与应用[D]. 盛伟.云南师范大学 2017



本文编号：3073051