结合属性特征的混合推荐系统研究与实现

发布时间：2021-05-24 04:40

　　在当今电子商务平台迅速发展的背景下,协同过滤算法作为电子商务中应用最普遍的个性化推荐之一,它已经在人们选择商品时为用户减少了许多宝贵的时间。但是它仍然有很多问题需要解决和改善,例如数据的稀疏性问题、新项目或新用户的冷启动问题、推荐覆盖率不足等问题。.这些问题还需要研究人员继续努力改进,本文作者提出了自己的改进方案,具体的主要工作有:（1）提出了一种使用项目属性计算项目间相似度,结合用户的评分特性综合计算预测评分,并考虑到评分数据更加极端稀疏的情况下使用的混合预处理填充方案。随着推荐系统规模的增长,系统数据会出现稀疏性问题,针对这类问题本文提出了相应的改进方案。传统的协同过滤算法在计算用户或项目间相似度时只考虑到用户的评分数据,单纯依赖某一种数据参数计算相似度的方式有很多弊端。比如,在评分数据极度缺乏时,在计算相似度过程中可能会因为用户间共同评分的项目过少导致最终相似度为0;或者在新项目刚刚加入系统时,因为新项目没有任何用户评分导致无法计算与其他项目间的相似度。（2）提出了 一种既考虑用户的属性特征,又结合用户对项目的评分数据的协同过滤算法。传统协同过滤算法在计算相似度并选择最近邻时只依... 

【文章来源】：浙江工商大学浙江省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 课题研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 主要研究内容
    1.4 本文组织结构
第二章 传统协同过滤算法
    2.1 协同过滤算法主要思想
    2.2 协同过滤算法的分类
        2.2.1 基于用户的协同过滤算法
        2.2.2 基于项目的协同过滤算法
        2.2.3 两种协同过滤算法的比较
    2.3 协同过滤推荐算法的详细流程
        2.3.1 建立“用户-项目”评分矩阵
        2.3.2 选取最近邻
        2.3.3 由最近邻综合预测得分
    2.4 推荐系统的评价体系
    2.5 本章小结
第三章 改进的混合填充方法
    3.1 传统协同过滤算法存在的问题
        3.1.1 冷启动问题和数据稀疏问题
        3.1.2 推荐多样性问题
    3.2 结合项目属性的混合填充方法
        3.2.1 改进算法的提出依据
        3.2.2 改进算法的思路
        3.2.3 改进算法的叙述
    3.3 实验描述及结果分析
        3.3.1 实验环境
        3.3.2 实验数据
        3.3.3 实验评估指标
        3.3.4 实验结果及分析
    3.4 本章小结
第四章 改进的混合协同过滤算法
    4.1 结合项目评分和用户属性的协同过滤算法
        4.1.1 改进算法的提出依据
        4.1.2 改进算法的思路
        4.1.3 改进算法的叙述
    4.2 实验描述及结果分析
        4.2.1 实验环境、数据及评估指标
        4.2.2 实验结果及其分析
    4.3 本章小结
第五章 系统的设计与实现
    5.1 数据集完善
    5.2 系统整体设计
    5.3 数据库设计
    5.4 系统时序关系
    5.5 电影推荐系统的设计与实现
        5.5.1 登录/注册页面
        5.5.2 电影推荐系统主页
        5.5.3 个人主页
    5.6 后台管理系统的设计与实现
        5.6.1 登录页面
        5.6.2 后台管理系统主页
    5.7 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 未来展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于标签聚类与项目主题的协同过滤推荐算法[J]. 李昊阳,符云清.  计算机科学. 2018(04)
[2]拼多多:一个消费降级巨头的诞生[J]. 徐庭芳,毛可馨.  中国中小企业. 2018(03)
[3]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏.  计算机研究与发展. 2017(08)
[4]改进Pearson相关系数的个性化推荐算法[J]. 陈功平,王红.  山东农业大学学报(自然科学版). 2016(06)
[5]一种改进的缺失数据协同过滤推荐算法[J]. 周明升,韩冬梅.  微型机与应用. 2016(17)
[6]基于余弦相似度模型的最佳教练遴选算法[J]. 陈大力,沈岩涛,谢槟竹,马颖异.  东北大学学报(自然科学版). 2014(12)
[7]一种基于协作过滤的电影推荐方法[J]. 陈天昊,帅建梅,朱明.  计算机工程. 2014(01)
[8]基于云计算的海量数据挖掘研究[J]. 贺瑶,王文庆,薛飞.  计算机技术与发展. 2013(02)
[9]优化稀疏数据集提高协同过滤推荐系统质量的方法[J]. 刘庆鹏,陈明锐.  计算机应用. 2012(04)
[10]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊.  计算机应用. 2012(02)

博士论文
[1]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005

硕士论文
[1]面向稀疏数据优化的协同过滤推荐算法[D]. 陈宗言.南京邮电大学 2017
[2]基于用户偏好与信任网络的协同过滤算法的研究[D]. 刘先亮.湖南大学 2017
[3]云计算环境下的协同过滤算法研究与实现[D]. 李映.兰州交通大学 2016
[4]基于分类驱动推荐算法的电影推荐系统的研究与应用[D]. 尚雪峰.电子科技大学 2017
[5]个性化推荐中协同过滤算法研究[D]. 路春霞.北京交通大学 2016
[6]基于云计算的个性化推荐系统关键技术研究[D]. 代晨旭.华北理工大学 2016
[7]面向数据稀疏的协同过滤推荐算法研究[D]. 张学胜.中国科学技术大学 2011



本文编号：3203571