基于内容和协同过滤的融合推荐方法研究

发布时间：2021-05-14 11:47

　　在国内外信息技术的迅速发展的大背景下,随着移动互联网和云计算、大数据等技术以迅速普及并应用,互联网正式迈入了Web3.0时代,使得全球数据总量呈现指数级增长,越来越多的信息资源充斥着网络世界和人们的日常生活,出现了“信息过载”的现象,从而使得用户无法准确地得到精准有效的信息。推荐系统正是这样的时代背景下应运而生的产物,目前已广泛应用于电子商务、在线社交网络、新闻媒体、视频音乐等领域。虽然在此之前已经有了分类目录和搜索引擎这样的优秀解决方案,但是由于数据量庞大而导致分类目录不能满足需求,逐渐退出了人们的视野;由于搜索引擎的特性,其对用户的检索、辨别能力,知识水平等要求较高,逐渐的也只能满足部分用户需求。而推荐系统的诞生,可以实现个性化内容的推荐,填补了个性化推荐领域的空白。本文研究具体内容如下:1、概述推荐系统,分析推荐系统相关技术的发展现状及现有问题;2、对传统协同过滤算法存在的耗时长、效率低的问题进行分析,提出了将K-means++聚类应用于协同过滤算法,利用离线处理的方式聚类生成虚拟用户簇,缩小最近邻居的查找范围,提高搜索速率,从而解决传统协同过滤算法耗时长的问题;3、针对于改进后... 

【文章来源】：内蒙古师范大学内蒙古自治区

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
中文摘要
abstract
第一章 绪论
    1.1 研究背景及研究意义
    1.2 国内外研究现状
    1.3 本文的主要研究内容
    1.4 本文的组织结构及创新点
第二章 推荐系统概述及其相关技术
    2.1 推荐系统概述
        2.1.1 推荐系统的概念
        2.1.2 推荐系统的结构
        2.1.3 推荐系统的主要研究内容
    2.2 基于内容的推荐
    2.3 协同过滤推荐
        2.3.1 协同过滤基本原理
        2.3.2 基于用户的推荐
        2.3.3 基于项目的推荐
    2.4 数据挖掘技术
        2.4.1 基于关联规则的推荐
        2.4.2 K-means++聚类
    2.5 其他推荐技术
        2.5.1 基于效用的推荐
        2.5.2 混合推荐
第三章 基于K-means++聚类改进协同过滤算法
    3.1 传统协同过滤推荐算法存在的问题分析
    3.2 基于K-means++聚类改进协同过滤推荐算法
        3.2.1 算法改进思路
        3.2.2 算法改进步骤
    3.3 实验分析
        3.3.1 数据集和实验参数的选取
        3.3.2 传统协同过滤算法的实验结果
        3.3.3 改进后协同过滤算法的结果
        3.3.4 推荐准确度比较
        3.3.5 推荐产生时间比较
第四章 基于内容与协同过滤的融合推荐方法
    4.1 改进后算法问题描述
        4.1.1 数据稀疏问题
        4.1.2 冷启动问题
    4.2 基于内容与协同过滤的融合推荐方法
        4.2.1 算法描述
        4.2.2 融合算法的优势
    4.3 融合推荐方法模型构建
    4.4 算法描述
        4.4.1 用户-特征信息表
        4.4.2 矩阵转化
        4.4.3 用户聚类算法
        4.4.4 预测过程
    4.5 实验及分析
        4.5.1 数据集和实验参数的选取
        4.5.2 基于内容与协同过滤的混合算法的结果
        4.5.3 MAE准确度比较
第五章 总结及展望
    5.1 本文总结
    5.2 工作展望
参考文献
致谢
攻读学位期间发表的论文


【参考文献】：
期刊论文
[1]数据挖掘技术的应用研究[J]. 葛俊言.  中国新通信. 2018(15)
[2]基于协同过滤算法的推荐系统研究[J]. 李楚桐,莫赞.  信息通信. 2018(02)
[3]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚.  计算机工程与应用. 2018(01)
[4]个性化推荐算法综述[J]. 孙光浩,刘丹青,李梦云.  软件. 2017(07)
[5]融合用户相似度与评分信息的协同过滤算法[J]. 乔雨,李玲娟.  南京邮电大学学报(自然科学版). 2017(03)
[6]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强.  常州大学学报(自然科学版). 2017(03)
[7]一种改进的top-N协同过滤推荐算法[J]. 肖文强,姚世军,吴善明.  计算机应用研究. 2018(01)
[8]一种基于用户隐式反馈的微博信息过滤方法[J]. 石曦彤,汪嘉琪,刘邦望,李叶.  智能计算机与应用. 2016(03)
[9]基于项目的协同过滤推荐算法的改进[J]. 黄典.  中国科技信息. 2016(01)
[10]基于显式与隐式反馈信息的概率矩阵分解推荐[J]. 王东,陈志,岳文静,高翔,王峰.  计算机应用. 2015(09)

硕士论文
[1]协同过滤算法相似度的研究及并行化的实现[D]. 邢文涛.天津大学 2017
[2]面向数据稀疏问题的协同过滤推荐算法研究[D]. 康熠华.内蒙古师范大学 2016
[3]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[4]基于LDA的社会化网络文本推荐系统的设计及实现[D]. 郭宇.中国科学院大学（工程管理与信息技术学院） 2015
[5]基于物品相似度和主题回归的矩阵分解推荐算法[D]. 邓志豪.浙江大学 2015
[6]数据挖掘中关联规则算法的研究与改进[D]. 张玺.北京邮电大学 2015
[7]基于标签的个性化推荐系统的研究[D]. 杨丹.苏州大学 2014
[8]面向个性化推荐的用户兴趣建模技术研究[D]. 宫玲玲.山东师范大学 2013
[9]基于协同过滤模型与隐语义模型的推荐系统研究与实现[D]. 鲁权.湖南大学 2013
[10]基于上下文感知的个性化信息服务系统的研究与设计[D]. 陈婷.北京邮电大学 2013



本文编号：3185579