基于用户相似性的推荐算法优化研究与实现

发布时间：2021-09-06 04:21

　　随着计算机的迅速发展和网络技术的更迭运行,互联网逐渐进入人们的日常生活,并完全改变了人们访问信息的方式方法。大量的网络信息确实能提供很多价值,但是大多数消费者会被各种各样的选择所困扰,并且这些庞大的信息容易产生“信息过载”的现象,不能被更有效地利用,还会使用户查找相关信息变得越来越难。这个时候推荐系统的地位就突出了,推荐系统（RS）已被证明是有效的电子商务工具,它提供个性化推荐的技术,能够帮助用户选择具有吸引力的产品。到目前为止,推荐系统已经成功在电子商务中找到了应用,例如书籍推荐在amazon.com,电影推荐在 Netflix.com,等等。在众多推荐技术中,协同过滤（CF）是RS中最广泛使用的也是设计最成功的方法,但目前还是存在一定的缺点,如数据稀疏性的问题还在困扰着推荐性能的精确度提升。因此,本文基于传统协同过滤推荐技术,对其出现的问题进行深入研究和分析,主要研究内容如下:（1）本文介绍了协同过滤算法的历史发展历程还有近些年的发展成果,还介绍了相关推荐技术,包括常见的几种推荐算法。分析了目前还存在于推荐系统的几个问题,在数据稀疏的问题基础上改进,提出基于用户评分差异性的信息熵计... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图２－１推荐系统模型??

推荐系统理论与相关技术??推荐系统一般由３个部分组成：获取用户偏好模块、建立推荐对象模型模块、??推荐算法模块。推荐系统的模型结构如图２－１所示。??从图２－１中可以看出，推荐系统是从那里采集信息，并对这些信息进行计算，??建立模型，再使用推荐算法后把推荐结果传递给用户，它是处理用户与信息之间??的桥梁。??（?ＳＷ?ＯＭ－Ｊ－ｇＳ?［ａ??＿ｓ?ＦＩ—??ｉ瘡你落欢?＾??身獨｜?ｌ?＿嘱Ｋ??２〇ｉ?雀式當愁ｋ读没：绣花ｓｒ在纱?曰本典送ｔｖｏｕｉｎｏＮ?ｔｏｙ?ｄａ?渰氓职位羚厣女跑步迗动睽眞跑?扣１７春秋冬新澈男女？韩你马??子头匡？與牛皮黑米白笆雄跟舒Ｍ?帘萏庁Ｉ丨室Ｓ５７５？布？？￡制拍工?ＯＰ０２艰苽大３：Ｅ龙超＋８〇ｃｍ?蓉装女眷ｓ季?丁?ＪＷ英坨Ｒ低萊软里庆沾斯情侣??－２５６?．１７８?？１２７３?ＣＳＳ?？７９?ｉ峨．？■你?＊２１０??■Ｍｉｆ；?Ｗｉｎｄｏｗｓ??ｙ，?？；＇＊＊！？．?；Ｓｅ｝Ｊｙ?ｖｖｉｎｄｃ＞＇．＾．??ｍ：：ｉ?ｗｍｍａｍｍｍ?ｕｓｍｍ?．丨―－－？．．??图２－２淘宝的推荐页面??Ｆｉｇｕｒｅ?２－２?Ｔａｏｂａｏ＇ｓ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｐａｇｅ??’?Ｆ?京乐?夏?．：＂Ｍ?＇Ｑ｜??￣￣ＩＢｉｉ＾￣￣…丨＂「丨ｉｒＨＩＴＩＩｉ＇ｎ＂＇１ＵＬｉｉｉｉｉｉｉ?￣￣＾??—还没逛够一??〇…．．．＂ｂ…＂ｒ：?Ｈ??＿?■?驪『ｓ??Ｅｌ＊？太ｓｒ？－挪ｓｓ?—ａｙ—￣?—?＂－Ｈ?Ｅ３ＰＩ：：?Ｈ??舰ｍｏ?抑－下倘鮮；?ｍ?ｈ＾ｘｍ：＾?＾?．?｜?；?

推荐系统理论与相关技术??推荐系统一般由３个部分组成：获取用户偏好模块、建立推荐对象模型模块、??推荐算法模块。推荐系统的模型结构如图２－１所示。??从图２－１中可以看出，推荐系统是从那里采集信息，并对这些信息进行计算，??建立模型，再使用推荐算法后把推荐结果传递给用户，它是处理用户与信息之间??的桥梁。??（?ＳＷ?ＯＭ－Ｊ－ｇＳ?［ａ??＿ｓ?ＦＩ—??ｉ瘡你落欢?＾??身獨｜?ｌ?＿嘱Ｋ??２〇ｉ?雀式當愁ｋ读没：绣花ｓｒ在纱?曰本典送ｔｖｏｕｉｎｏＮ?ｔｏｙ?ｄａ?渰氓职位羚厣女跑步迗动睽眞跑?扣１７春秋冬新澈男女？韩你马??子头匡？與牛皮黑米白笆雄跟舒Ｍ?帘萏庁Ｉ丨室Ｓ５７５？布？？￡制拍工?ＯＰ０２艰苽大３：Ｅ龙超＋８〇ｃｍ?蓉装女眷ｓ季?丁?ＪＷ英坨Ｒ低萊软里庆沾斯情侣??－２５６?．１７８?？１２７３?ＣＳＳ?？７９?ｉ峨．？■你?＊２１０??■Ｍｉｆ；?Ｗｉｎｄｏｗｓ??ｙ，?？；＇＊＊！？．?；Ｓｅ｝Ｊｙ?ｖｖｉｎｄｃ＞＇．＾．??ｍ：：ｉ?ｗｍｍａｍｍｍ?ｕｓｍｍ?．丨―－－？．．??图２－２淘宝的推荐页面??Ｆｉｇｕｒｅ?２－２?Ｔａｏｂａｏ＇ｓ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｐａｇｅ??’?Ｆ?京乐?夏?．：＂Ｍ?＇Ｑ｜??￣￣ＩＢｉｉ＾￣￣…丨＂「丨ｉｒＨＩＴＩＩｉ＇ｎ＂＇１ＵＬｉｉｉｉｉｉｉ?￣￣＾??—还没逛够一??〇…．．．＂ｂ…＂ｒ：?Ｈ??＿?■?驪『ｓ??Ｅｌ＊？太ｓｒ？－挪ｓｓ?—ａｙ—￣?—?＂－Ｈ?Ｅ３ＰＩ：：?Ｈ??舰ｍｏ?抑－下倘鮮；?ｍ?ｈ＾ｘｍ：＾?＾?．?｜?；?

【参考文献】：
期刊论文
[1]基于时效性的冷启动解决算法[J]. 刘江冬,梁刚,杨进.  现代计算机(专业版). 2016(05)
[2]推荐系统研究进展[J]. 朱扬勇,孙婧.  计算机科学与探索. 2015(05)
[3]基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法[J]. 刘洋.  湖南工程学院学报(自然科学版). 2015(01)
[4]一种基于信息老化的协同过滤推荐算法[J]. 王玉斌,孟祥武,胡勋.  电子与信息学报. 2013(10)
[5]基于加权信息熵相似性的协同过滤算法[J]. 刘文龙,张桂芸,陈喆,朱蔷蔷.  郑州大学学报(工学版). 2012(05)
[6]协同过滤推荐算法[J]. 吴月萍,郑建国.  计算机工程与设计. 2011(09)
[7]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海.  计算机学报. 2010(08)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平.  软件学报. 2009(02)
[9]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏.  自然科学进展. 2009(01)
[10]基于云模型的协同过滤推荐算法[J]. 张光卫,李德毅,李鹏,康建初,陈桂生.  软件学报. 2007(10)



本文编号：3386736