基于用户评论和聚类的协同过滤推荐算法研究

发布时间：2021-05-21 22:39

　　推荐系统通过挖掘用户与物品之间已知的交互信息,利用推荐算法预测用户对于未打分物品的评分,将预测评分较高的物品作为用户可能感兴趣的物品推荐给用户,在信息过载的今天能够让用户快速发现自己喜爱的物品,同时也为企业带来盈利。在众多预测评分的推荐算法中,协同过滤算法通过充分挖掘用户与用户、物品与物品之间的相似关系去预测用户对于未打分物品的评分,成为了最为广泛研究和应用的评分预测算法。早期的协同过滤算法都只考虑了评分信息,使得协同过滤算法在预测评分时挖掘的信息过少,造成了评分预测的准确率较低,并且预测结果也没有合理的解释性。随着网络上的用户评论信息日益丰富,越来越多的研究者将这些信息加入到协同过滤算法模型中,试图提高评分预测的准确率及推荐结果的可解释性,这使得基于用户评论信息的协同过滤算法逐渐成为了推荐系统领域的研究热点。然而,大部分基于用户评论信息的协同过滤算法虽然采用各种方法将用户的评分与评论信息连接起来,但在用户物品彼此的关系上都将用户和物品看作没有关联的独立个体,缺少用户与物品之间共性的挖掘。在实际的应用场景中,同一种类商品下的用户按照各自的偏好可以聚集成一个个群组,每个群组内的用户具有相... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 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
        1.1.1 研究意义及目的
        1.1.2 研究现状
    1.2 研究内容及工作
    1.3 论文组织结构
第2章 相关基础理论知识
    2.1 隐狄利克雷分配模型
        2.1.1 早期主题模型概述
        2.1.2 LDA模型建模概述
        2.1.3 LDA模型的学习算法
    2.2 矩阵分解模型
        2.2.1 矩阵分解模型概述
        2.2.2 矩阵分解模型的学习算法
    2.3 隐因子主题模型
        2.3.1 隐因子主题模型概述
        2.3.2 隐因子主题模型的学习算法
    2.4 本章小结
第3章 基于隐狄利克雷分配的矩阵分解算法(LDA-MF)
    3.1 引言
    3.2 单因素聚类的协同过滤算法
    3.3 基于隐狄利克雷分配的矩阵分解算法
    3.4 LDA-MF算法实验
        3.4.1 实验概述
        3.4.2 实验数据集
        3.4.3 对比算法与评测标准
        3.4.4 实验准备阶段
        3.4.5 实验结果展示
        3.4.6 用户聚类个数对预测准确率的影响
    3.5 用户特征词挖掘与推荐解释探究
    3.6 本章小结
第4章 基于用户物品协同聚类的推荐算法(UICC)
    4.1 引言
    4.2 基于用户物品协同聚类的推荐算法
    4.3 UICC算法实验
        4.3.1 实验概述
        4.3.2 实验数据集
        4.3.3 对比算法与评测标准
        4.3.4 实验准备阶段
        4.3.5 实验结果展示
        4.3.6 群组聚类个数对预测准确率的影响
    4.4 模型可扩展性研究
    4.5 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3200500