基于隐语义模型的混合推荐模型研究

发布时间：2021-05-19 00:20

　　目的——在推荐系统的研究中,提升预测准确度、降低数据稀疏性的问题,一直都是该领域内的研究热点。隐语义推荐模型中的迭代寻优和矩阵分解降低了数据的稀疏性。其在迭代寻优过程中的随机梯度下降法在进行迭代寻取最优解时,相对于批量梯度下降法在效率方面有显著的提升。但在面对大数据量时,随机梯度下降法的噪声分析和收敛性比小样本梯度下降法差。在对比随机梯度下降法和小样本梯度下降法后,提出在隐语义模型中使用小样本梯度下降法代替随机梯度下降法。在提升预测准确度上,混合推荐模型的预测准确度普遍优于单个推荐模型的预测准确度。提出将基于邻域的推荐模型和使用小样本梯度下降法的隐语义模型进行混合,混合后的模型为KLFM混合推荐模型。混合方法为三种基于线性权重分配的融合策略:等权重融合法、有效权重融合法、鸟类觅食算法与权重寻优相结合的PSO寻优权重融合法。方法——在噪声分析和收敛性上,将传统隐语义推荐模型中的随机梯度下降法与小样本梯度下降法进行比对。为提升预测准确度,本文提出等权重融合法、有效权重融合法、PSO寻优权重融合法。用以上三种融合策略将使用小样本梯度下降法的隐语义模型和基于邻域的推荐算法进行混合,并通过其与单... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 论文研究的背景及意义
    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 论文研究的主要内容
    1.4 论文结构
    1.5 论文创新点
第二章 论文研究总体思路与相关知识
    2.1 论文研究总体思路
    2.2 拟解决的关键问题
    2.3 推荐系统相关知识
        2.3.1 推荐系统
        2.3.2 基于邻域的推荐算法
        2.3.3 隐语义模型的介绍
        2.3.4 隐语义模型和基于邻域的方法的比较
        2.3.5 其它推荐算法
    2.4 推荐系统的评价指标
        2.4.1 用户满意度
        2.4.2 预测准确度
        2.4.3 基尼系数和推荐覆盖比
        2.4.4 系统推荐准确度
        2.4.5 多样性和新颖性
        2.4.6 其它评判点
第三章 隐语义模型的优化
    3.1 引言
    3.2 梯度下降算法
        3.2.1 梯度下降法相关概念和算法过程
        3.2.2 随机梯度下降法
        3.2.3 随机梯度下降法在隐语义模型中的应用
    3.3 隐语义模型存在的问题
        3.3.1 小样本梯度下降法的引出
        3.3.2 小样本梯度下降法的介绍
        3.3.3 小样本梯度下降法的子样本集选取
        3.3.4 三种梯度下降算法的噪声分析和优缺点
        3.3.5 梯度下降类算法可优化的点
    3.4 小结
第四章 混合推荐模型的融合策略研究
    4.1 引言
    4.2 等权重融合法
    4.3 有效权重融合法
    4.4 基于鸟类觅食算法的权重寻优研究
        4.4.1 鸟类觅食算法
        4.4.2 基于鸟类觅食算法的寻优权重融合法
    4.5 小结
第五章 实验设计与结果分析
    5.1 数据集
    5.2 实验内容
        5.2.1 实验环境
        5.2.2 实验评价指标
        5.2.3 实验设计
    5.3 实验结果及分析
        5.3.1 相似度实验
        5.3.2 隐特征F实验
        5.3.3 混合模型的预测准确度实验
    5.4 小结
结论
参考文献
插图索引
表格索引
算法索引
英文缩略词
作者简历及在学期间所取得的科研成果
致谢



本文编号：3194743