基于用户心理挖掘与分析的个性化推荐方法研究
发布时间：2021-04-22 16:27
随着互联网的飞速发展,信息的数量呈现指数式增长。人们每天生活工作中都主动或被动地接受过载的信息,这无形中增加了人们生活和工作成本,因此,单位时间本身价值和单位时间搜索价值之间产生了无形的矛盾。基于以上问题,推荐系统为了适应互联网的高速发展应运而生,推荐系统主要作用是实现智能推荐。传统的推荐系统都是基于推荐算法本身的性能进行改进,把用户资源信息视为一种静态、不可变化的资源进行用户项目之间的运算,虽然提高了推荐系统的性能,但是不能极大地满足人们的心理需求。随着互联网的不断发展,计算机技术快速进步,基于用户的个性化推荐方法成为学者们的重要研究对象,实现了从单纯的算法优化到算法和用户心理相结合的转变。在现实生活中人的心理活动影响着推荐系统的推荐效果,由于人的心理活动会受到自身需求和外界因素的影响,存在心理不稳定状态,因此要实现真正个性化推荐,基于用户心理挖掘分析显得尤为重要。本文从用户行为、遗忘、兴趣特征进行心理挖掘,通过国内外对用户心理活动的相关研究分析,用户的动态心理活动是影响系统推荐的重要因素,提出关于用户心理分析的相关思路,常用方法就是对影响用户的心理的特征因素进行量化分析,实时的动态...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究的目的和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本课题研究的主要内容
1.3.1 课题来源
1.3.2 课题的主要研究内容
第2章 个性化推荐概述
2.1 个性化推荐系统介绍
2.2 个性化推荐算法分类
2.2.1 基于内容推荐
2.2.2 协同过滤推荐
2.2.3 关联规则推荐
2.2.4 混合推荐
2.3 心理挖掘特征分析
2.3.1 行为特征
2.3.2 兴趣特征
2.3.3 心理学固有规律
2.4 个性化推荐相似度计算
2.5 本章小结
第3章 基于用户群组行为分析的个性化推荐方法
3.1 基于RFM模型的个性化行为分析
3.1.1 RFM模型经济学模型概述
3.1.2 基于RFM模型的群组行为分析
3.2 基于改进FP-tree算法的关联挖掘
3.2.1 关联规则概述
3.2.2 基于增量式权重的FP-tree关联挖掘
3.3 基于用户行为习惯规则的DBSCAN聚类
3.3.1 基于习惯规则的用户向量
3.3.2 用户群组行为的DBSCAN聚类
3.4 基于用户群组行为的协同过滤推荐方法
3.5 本章小结
第4章 基于遗忘曲线动态兴趣模型的推荐方法
4.1 用户兴趣模型
4.2 艾宾浩斯遗忘曲线的动态兴趣模型
4.2.1 艾宾浩斯遗忘曲线
4.2.2 用户兴趣多梯度遗忘加强分析
4.2.3 用户动态兴趣模型分析
4.3 基于用户动态兴趣模型的K-means聚类
4.4 基于艾宾浩斯遗忘曲线动态兴趣模型推荐方法
4.5 本章小结
第5章 基于用户心理挖掘与分析的个性化推荐方法与实验分析
5.1 基于用户心理挖掘与分析的个性化推荐方法
5.1.1 实验方法构建
5.1.2 实验数据
5.1.3 评价标准
5.2 基于用户群组行为推荐方法的实验分析
5.3 基于用户动态兴趣模型推荐方法的实验分析
5.4 基于用户心理挖掘与分析推荐方法的实验分析
5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]一种基于特征的协同聚类模型[J]. 张飞,张立波,罗铁坚,武延军. 计算机研究与发展. 2018(07)
[2]MN-HDRM:长短兴趣多神经网络混合动态推荐模型[J]. 冯永,张备,强保华,张逸扬,尚家兴. 计算机学报. 2019(01)
[3]一种基于社区专家信息的协同过滤推荐算法[J]. 张凯涵,梁吉业,赵兴旺,王智强. 计算机研究与发展. 2018(05)
[4]基于移动用户浏览行为的推荐模型[J]. 丁哲,秦臻,郑文韬,秦志光. 电子科技大学学报. 2017(06)
[5]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[6]LBSN上基于兴趣圈中社会关系挖掘的推荐算法[J]. 李鑫,刘贵全,李琳,吴宗大,丁君美. 计算机研究与发展. 2017(02)
[7]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平. 计算机学报. 2018(01)
[8]基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 余永红,高阳,王皓. 计算机研究与发展. 2016(08)
[9]融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 郭弘毅,刘功申,苏波,孟魁. 计算机研究与发展. 2016(08)
[10]基于用户邻域和主题的新颖性Web社区推荐方法[J]. 余骞,彭智勇,洪亮,万言历. 软件学报. 2016(05)
硕士论文
[1]基于用户行为的日志分析系统的研究[D]. 范俊广.吉林大学 2018
本文编号：3154092
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究的目的和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本课题研究的主要内容
1.3.1 课题来源
1.3.2 课题的主要研究内容
第2章 个性化推荐概述
2.1 个性化推荐系统介绍
2.2 个性化推荐算法分类
2.2.1 基于内容推荐
2.2.2 协同过滤推荐
2.2.3 关联规则推荐
2.2.4 混合推荐
2.3 心理挖掘特征分析
2.3.1 行为特征
2.3.2 兴趣特征
2.3.3 心理学固有规律
2.4 个性化推荐相似度计算
2.5 本章小结
第3章 基于用户群组行为分析的个性化推荐方法
3.1 基于RFM模型的个性化行为分析
3.1.1 RFM模型经济学模型概述
3.1.2 基于RFM模型的群组行为分析
3.2 基于改进FP-tree算法的关联挖掘
3.2.1 关联规则概述
3.2.2 基于增量式权重的FP-tree关联挖掘
3.3 基于用户行为习惯规则的DBSCAN聚类
3.3.1 基于习惯规则的用户向量
3.3.2 用户群组行为的DBSCAN聚类
3.4 基于用户群组行为的协同过滤推荐方法
3.5 本章小结
第4章 基于遗忘曲线动态兴趣模型的推荐方法
4.1 用户兴趣模型
4.2 艾宾浩斯遗忘曲线的动态兴趣模型
4.2.1 艾宾浩斯遗忘曲线
4.2.2 用户兴趣多梯度遗忘加强分析
4.2.3 用户动态兴趣模型分析
4.3 基于用户动态兴趣模型的K-means聚类
4.4 基于艾宾浩斯遗忘曲线动态兴趣模型推荐方法
4.5 本章小结
第5章 基于用户心理挖掘与分析的个性化推荐方法与实验分析
5.1 基于用户心理挖掘与分析的个性化推荐方法
5.1.1 实验方法构建
5.1.2 实验数据
5.1.3 评价标准
5.2 基于用户群组行为推荐方法的实验分析
5.3 基于用户动态兴趣模型推荐方法的实验分析
5.4 基于用户心理挖掘与分析推荐方法的实验分析
5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]一种基于特征的协同聚类模型[J]. 张飞,张立波,罗铁坚,武延军. 计算机研究与发展. 2018(07)
[2]MN-HDRM:长短兴趣多神经网络混合动态推荐模型[J]. 冯永,张备,强保华,张逸扬,尚家兴. 计算机学报. 2019(01)
[3]一种基于社区专家信息的协同过滤推荐算法[J]. 张凯涵,梁吉业,赵兴旺,王智强. 计算机研究与发展. 2018(05)
[4]基于移动用户浏览行为的推荐模型[J]. 丁哲,秦臻,郑文韬,秦志光. 电子科技大学学报. 2017(06)
[5]基于时间衰减的协同过滤推荐算法[J]. 董立岩,王越群,贺嘉楠,孙铭会,李永丽. 吉林大学学报(工学版). 2017(04)
[6]LBSN上基于兴趣圈中社会关系挖掘的推荐算法[J]. 李鑫,刘贵全,李琳,吴宗大,丁君美. 计算机研究与发展. 2017(02)
[7]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平. 计算机学报. 2018(01)
[8]基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 余永红,高阳,王皓. 计算机研究与发展. 2016(08)
[9]融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 郭弘毅,刘功申,苏波,孟魁. 计算机研究与发展. 2016(08)
[10]基于用户邻域和主题的新颖性Web社区推荐方法[J]. 余骞,彭智勇,洪亮,万言历. 软件学报. 2016(05)
硕士论文
[1]基于用户行为的日志分析系统的研究[D]. 范俊广.吉林大学 2018
本文编号：3154092
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3154092.html
最近更新
教材专著
