面向数据稀疏优化的协同过滤推荐算法研究

发布时间：2021-05-11 16:50

　　在信息过载的数据时代,个性化推荐系统可以通过信息过滤技术向用户推荐其感兴趣的信息,因此广泛应用于各个领域。其中,协同过滤算法是使用最广、最受欢迎的推荐算法之一。然而,协同过滤算法仍然存在数据稀疏问题,严重影响推荐的质量。针对协同过滤算法的数据稀疏问题,本文分别从填充稀疏评分矩阵和定义新的用户相似度模型这两个角度来展开研究。本文完成的主要工作如下:第一,为了提高协同过滤算法在数据稀疏时的准确性,本文提出一种融合辅助信息的基于数据填充的协同过滤算法。该算法的主要特点在于:（1）在生成填充数据时,融合用户/项目的辅助信息来表示用户/项目特征,使得能为新用户和新项目生成填充数据,且能准确度量用户/项目相似性。在融合用户辅助信息时,本文融合用户基本属性信息,并结合用户评分和项目属性信息来预测用户对项目属性的偏好程度。在融合项目辅助信息时,将项目属性信息、标题信息以及内容信息进行有效融合。同时,引入降噪编码器挖掘用户/项目的低阶稠密隐式特征。（2）在填充矩阵时,考虑填充数据的置信度,通过将置信度不高的填充数据进行过滤以此降低噪声数据对推荐质量的影响。在极为稀疏的数据集上进行测试,实验结果表明提出的... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 推荐系统的应用现状
        1.2.2 协同过滤推荐算法的研究现状
        1.2.3 稀疏问题的研究现状
    1.3 本文主要工作和贡献
    1.4 本文论文结构
第2章 相关技术研究
    2.1 推荐算法综述
        2.1.1 基于人口统计信息的推荐算法
        2.1.2 基于关联规则的推荐算法
        2.1.3 基于内容的推荐算法
        2.1.4 基于知识的推荐算法
        2.1.5 基于协同过滤的推荐算法
        2.1.6 混合推荐算法
    2.2 协同过滤推荐算法
        2.2.1 基于近邻的协同过滤推荐算法
        2.2.2 基于模型的协同过滤推荐算法
    2.3 协同过滤推荐算法存在的问题
    2.4 推荐算法的评价指标
    2.5 小结
第3章 融合辅助信息的基于数据填充的协同过滤算法
    3.1 传统基于数据填充的推荐算法分析
    3.2 融合辅助信息的基于数据填充的协同过滤算法
        3.2.1 自动编码器
        3.2.2 填充数据预测
        3.2.3 融合填充数据的矩阵分解算法
        3.2.4 算法流程
    3.3 实验过程及结果分析
        3.3.1 实验环境和数据集
        3.3.2 评价指标
        3.3.3 实验过程及结果分析
    3.4 小结
第4章 基于混合相似度的协同过滤算法
    4.1 传统相似度模型分析
        4.1.1 传统的用户相似度模型
        4.1.2 传统相似度模型存在的问题
    4.2 基于混合相似度的协同过滤推荐算法
        4.2.0 基于项目属性的相似度模型
        4.2.1 用户共同评分奖励因子
        4.2.2 用户可信度因子
        4.2.3 评分预测
        4.2.4 算法流程
    4.3 实验过程及结果分析
        4.3.1 实验数据集
        4.3.2 评价指标
        4.3.3 实验结果分析
    4.4 小结
结论
参考文献
附录 A 攻读学位期间所发表的学术论文目录
附录 B 攻读学位期间参与的主要项目
致谢


【参考文献】：
期刊论文
[1]改进矩阵分解与卷积神经网络结合的推荐模型[J]. 蔡念,刘广聪,蔡红丹.  计算机工程与应用. 2019(19)
[2]基于用户评论的深度情感分析和多视图协同融合的混合推荐方法[J]. 张宜浩,朱小飞,徐传运,董世都.  计算机学报. 2019(06)
[3]关联规则推荐的高效分布式计算框架[J]. 李昌盛,伍之昂,张璐,曹杰.  计算机学报. 2019(06)
[4]基于信任聚类的协同过滤推荐算法[J]. 王菲,黄刚,朱峥宇.  计算机技术与发展. 2019(05)
[5]基于关联规则的标签推荐[J]. 陈双双,王晓军.  计算机技术与发展. 2018(12)
[6]基于用户聚类与Slope One填充的协同推荐算法[J]. 龚敏,邓珍荣,黄文明.  计算机工程与应用. 2018(22)
[7]基于加权二部图的Slope One推荐算法[J]. 王冉,徐怡,胡善忠,何明慧.  微电子学与计算机. 2018(03)
[8]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)
[9]结合用户活跃度的协同过滤推荐算法[J]. 曲朝阳,宋晨晨,任有学,刘耀伟,牛强,独健鸿.  东北电力大学学报. 2017(05)
[10]基于综合相似度和社交标签的推荐算法[J]. 时念云,张芸,马力.  计算机系统应用. 2017(10)



本文编号：3181760