基于聚类的低秩矩阵填充推荐算法研究

发布时间：2021-06-21 10:36

　　随着互联网与大数据的不断发展,人们快速获取有用信息的难度不断增大。推荐系统作为有效缓解信息超载的工具之一,不仅可以为用户快速获取感兴趣的信息,同时也具有巨大的商业价值。然而,系统中庞大的用户和项目、稀疏的用户评分数据,导致计算复杂度大,模型构建不精确,推荐性能低下。针对上述存在的挑战,本文提出了两种相似用户划分方法,并在此基础上提出一种基于谱聚类的低秩矩阵填充的推荐算法。本文的主要研究工作如下:（1）提出了归一化评分矢量跟踪用户偏好记录的方法,减少评分稀疏对用户之间相似性计算的影响。提出两种相似用户划分方法:基于位置敏感的哈希函数分类算法和基于图论的谱聚类算法,将原始用户项目矩阵划分为多个子矩阵。（2）提出基于谱聚类的低秩矩阵填充算法。基于谱聚类的相似用户划分方法,为进一步提高用户评分率,减少子矩阵的规模,对与目标用户无关的列进行修剪,提出一种联合优化模型,通过优化构建的目标损失函数,确定使算法达到最优推荐的参数分类数和修剪率。最后应用矩阵填充算法。真实数据集实验结果表明,本文提出的两种分类算法能有效提高相似用户的划分准确度。在谱聚类分类算法的基础上,提出的低秩矩阵填充联合优化算法,能... 

【文章来源】：安徽工业大学安徽省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

一般完整推荐系统组成图

图 2.2 基于近邻的协同过滤推荐原理图 k 近邻，是协同过滤推荐算法的一个实；其主要缺点是可扩展性低和易受推荐表明，当系统中的评分数据非常稀疏时滤往往难以准确度量用户（项目）之间准确，使得推荐的性能受到严重影响。滤推荐算法，首先根据相似项目初步预测相似性计算的影响。在此基础上，提出的相似性。协同过滤利用的是用户精确确，但由于无法解决系统中新产品和新扰[29]。过发现用户的消费偏好来提供个性化项不是静止而是随着时间改变的。在文献[为的关系相互强化。具体来说，用户的

技术依据内容信息，在某种程度上说是信息过滤着重构建描述项目特征的文档，通过匹配用测[ 40,41 ]。基于内容的推荐算法首先收集用户为每个用户或项目创建一个配置文件以表征型、参与的演员、票房受欢迎程度等属性；、职业等属性[35]。系统通过配置文件将用户过去已经评价的项目，提取其中存在的特征如图 2.3 所示，当用户喜欢 A 时，项目 A 和项发现 A 和 B 相似，则把项目 B 推荐给用户。例作为特征。基于内容的推荐构建的用户文件如决策树，神经网络和基于矢量的表示等。

【参考文献】：
期刊论文
[1]一种新的用于跨领域推荐的迁移学习模型[J]. 王俊,李石君,杨莎,金红,余伟.  计算机学报. 2017(10)
[2]基于联合概率矩阵分解的上下文广告推荐算法[J]. 涂丹丹,舒承椿,余海燕.  软件学报. 2013(03)
[3]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁.  软件学报. 2012(01)
[4]两阶段联合聚类协同过滤算法[J]. 吴湖,王永吉,王哲,王秀利,杜栓柱.  软件学报. 2010(05)
[5]密度敏感的半监督谱聚类[J]. 王玲,薄列峰,焦李成.  软件学报. 2007(10)
[6]国外信息过滤系统的研究综述[J]. 程妮,崔建海,王军.  现代图书情报技术. 2005(06)
[7]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)



本文编号：3240527