基于信任度融合矩阵分解和CF的推荐算法研究
发布时间：2021-08-07 23:55
当代Internet急速发展,电子商务随着计算机科学的发展正在迅速崛起,给予用户带来便利的同时,信息超载问题在智能化演进过程中也越发凸显,信息过滤的智能代理工具——推荐系统（RS）应运而生。推荐系统收集、学习用户的信息,研究用户的偏好,并为用户提供更准确和全面的信息推荐服务,以便用户能够以最低的成本获得他想要的信息。通过整合和优化资源赢得用户和商家获得共利局面的个性化视频推荐系统,协助用户从Internet的庞大数据信息中自动获取符合其兴趣偏好和需求的视频,保证用户体验的同时提升商业利益,实现资源价值最大化的呈现。主要工作如下:第一,针对传统推荐方法中评分项目存在的数据稀疏问题,提出一种基于Funk SVD的改进模型。采用随机梯度下降法求解最小损失函数SSE。加入正则化因子提升求解效率并建立对未评分项目的偏好预测模型,解决数据稀疏造成的缺陷,从而提升推荐准确度;第二,针对用户之间的信任关系可能对推荐结果造成的影响方面,采取把信任关系作为推荐权重引入到预测评分中的策略,提高算法在可解释性推荐方面的精度;第三,针对传统算法过分依赖历史数据从而诱发冷启动问题,采用把用户特征中的年龄和性别分别...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图３－３与ＳＶＤ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．３－３?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＭＡＥ?ａｎｄ?ＲＭＳＥ?ｖａｌｕｅｓ?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ＳＶＤ??此外，并对比不同算法中的评估指标
?北京化工大学硕士学位论文???５－４修正的Ｆｕｎｋ?ＳＶＤ相比亦然，最后与基于数据中用户和项目信息修正的ＣＦ??算法相比，结果如图５－５所示，效果有明显提升。??ＭＳ?０：？??ｉｃｆ?ＩＴ－ＷＳＶＤ－Ｃｆ?藤?ＣＦ?ｉＴ－ＲｊｎｋＳＶＤ＾Ｃｆ??３Ｗ?Ｉ?綱網?１９１?（ＲＭＳＥ）?（ＲＭＳＥ）??＾?Ｉ?，?ｔｔ９０??‘ｌｉｔ?［?ｌｌ?Ｉ?ｉ??５＼?，?？?？?ｓ?，，?ａｏ?＊?Ｋ?Ｕｌ，?１，?？?１．?１０?２０?３０?４０?５０?？）?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０??＿?邻居細??图５－３与ＣＦ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．５－３?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＭＡＥ?ａｎｄ?ＲＭＳＥ?ｖａｌｕｅｓ?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ＣＦ??０．８４?０．９２??＊Ｔ－ＦｕｎｋＳＶＤ？Ｔ－ＦｕｎｋＳＶ！ＫＦ?ｉＴ－ＦｕｎｋＳＶＤ？Ｔ－ＦｕｎｋＳＶＤ－ＣＦ??０?８２?｜?｜?＿?＿?０?９?ＰＳＥ）?（ＲＭＳＥ）??０．８?°－９０??ｕｊ?．?＾?ｗ?０＾９?：??＼＼＼Ｗ：?ｆｌ??０７４?Ｉ：?１１?°＊８６?！?｜｜??０７２?Ａｍｉｎ?Ｉ?Ｉ?０８５?驪瞿?瞿??１０?２０?３０?４０?５０?６０?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０?１０?２０?３０?４０?５０?６０?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０??银＿?雛数Ｎ??图５－４与修正Ｆｕｎｋ?ＳＶＤ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．５－４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ
【参考文献】：
期刊论文
[1]基于用户兴趣和社交信任的聚类推荐算法[J]. 肖晓丽,钱娅丽,李旦江,谭柳斌. 计算机应用. 2016(05)
[2]大数据与推荐系统[J]. 李翠平,蓝梦微,邹本友,王绍卿,赵衎衎. 大数据. 2015(03)
[3]一种信任关系强度敏感的社会化推荐算法[J]. 郭磊,马军,陈竹敏. 计算机研究与发展. 2013(09)
[4]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)
[5]基于项目聚类的全局最近邻的协同过滤算法[J]. 韦素云,业宁,朱健,黄霞,张硕. 计算机科学. 2012(12)
[6]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)
[7]基于矩阵分解的协同过滤算法[J]. 李改,李磊. 计算机工程与应用. 2011(30)
[8]基于项目聚类和评分预测的协同过滤推荐算法研究[J]. 吕晓敏. 中国管理信息化. 2010(11)
[9]关联规则挖掘Apriori算法的研究与改进[J]. 刘华婷,郭仁祥,姜浩. 计算机应用与软件. 2009(01)
[10]基于网页语义相似性的商品隐性评分算法[J]. 陈冬林,聂规划,刘平峰. 系统工程理论与实践. 2006(11)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[2]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[3]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
硕士论文
[1]基于信任机制的并行推荐算法研究[D]. 张盼盼.湖南大学 2017
[2]基于特征的矩阵分解模型[D]. 陈天奇.上海交通大学 2013
[3]协同过滤推荐系统中的关键算法研究[D]. 刘强.浙江大学 2013
[4]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[5]基于信任模型的协同过滤推荐算法的研究[D]. 夏小伍.中国科学技术大学 2011
本文编号：3328782
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图３－３与ＳＶＤ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．３－３?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＭＡＥ?ａｎｄ?ＲＭＳＥ?ｖａｌｕｅｓ?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ＳＶＤ??此外，并对比不同算法中的评估指标
?北京化工大学硕士学位论文???５－４修正的Ｆｕｎｋ?ＳＶＤ相比亦然，最后与基于数据中用户和项目信息修正的ＣＦ??算法相比，结果如图５－５所示，效果有明显提升。??ＭＳ?０：？??ｉｃｆ?ＩＴ－ＷＳＶＤ－Ｃｆ?藤?ＣＦ?ｉＴ－ＲｊｎｋＳＶＤ＾Ｃｆ??３Ｗ?Ｉ?綱網?１９１?（ＲＭＳＥ）?（ＲＭＳＥ）??＾?Ｉ?，?ｔｔ９０??‘ｌｉｔ?［?ｌｌ?Ｉ?ｉ??５＼?，?？?？?ｓ?，，?ａｏ?＊?Ｋ?Ｕｌ，?１，?？?１．?１０?２０?３０?４０?５０?？）?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０??＿?邻居細??图５－３与ＣＦ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．５－３?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＭＡＥ?ａｎｄ?ＲＭＳＥ?ｖａｌｕｅｓ?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ＣＦ??０．８４?０．９２??＊Ｔ－ＦｕｎｋＳＶＤ？Ｔ－ＦｕｎｋＳＶ！ＫＦ?ｉＴ－ＦｕｎｋＳＶＤ？Ｔ－ＦｕｎｋＳＶＤ－ＣＦ??０?８２?｜?｜?＿?＿?０?９?ＰＳＥ）?（ＲＭＳＥ）??０．８?°－９０??ｕｊ?．?＾?ｗ?０＾９?：??＼＼＼Ｗ：?ｆｌ??０７４?Ｉ：?１１?°＊８６?！?｜｜??０７２?Ａｍｉｎ?Ｉ?Ｉ?０８５?驪瞿?瞿??１０?２０?３０?４０?５０?６０?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０?１０?２０?３０?４０?５０?６０?７０?８０?９０?１００１１０?１２０?１３０?１４０?１５０?１６０??银＿?雛数Ｎ??图５－４与修正Ｆｕｎｋ?ＳＶＤ对比的ＭＡＥ和ＲＭＳＥ值比较图??Ｆｉｇ．５－４?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ
【参考文献】：
期刊论文
[1]基于用户兴趣和社交信任的聚类推荐算法[J]. 肖晓丽,钱娅丽,李旦江,谭柳斌. 计算机应用. 2016(05)
[2]大数据与推荐系统[J]. 李翠平,蓝梦微,邹本友,王绍卿,赵衎衎. 大数据. 2015(03)
[3]一种信任关系强度敏感的社会化推荐算法[J]. 郭磊,马军,陈竹敏. 计算机研究与发展. 2013(09)
[4]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)
[5]基于项目聚类的全局最近邻的协同过滤算法[J]. 韦素云,业宁,朱健,黄霞,张硕. 计算机科学. 2012(12)
[6]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)
[7]基于矩阵分解的协同过滤算法[J]. 李改,李磊. 计算机工程与应用. 2011(30)
[8]基于项目聚类和评分预测的协同过滤推荐算法研究[J]. 吕晓敏. 中国管理信息化. 2010(11)
[9]关联规则挖掘Apriori算法的研究与改进[J]. 刘华婷,郭仁祥,姜浩. 计算机应用与软件. 2009(01)
[10]基于网页语义相似性的商品隐性评分算法[J]. 陈冬林,聂规划,刘平峰. 系统工程理论与实践. 2006(11)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[2]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[3]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
硕士论文
[1]基于信任机制的并行推荐算法研究[D]. 张盼盼.湖南大学 2017
[2]基于特征的矩阵分解模型[D]. 陈天奇.上海交通大学 2013
[3]协同过滤推荐系统中的关键算法研究[D]. 刘强.浙江大学 2013
[4]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[5]基于信任模型的协同过滤推荐算法的研究[D]. 夏小伍.中国科学技术大学 2011
本文编号：3328782
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3328782.html
最近更新
教材专著
