基于离散增量的混合推荐算法研究

发布时间：2021-09-18 08:08

　　随着互联网高速发展,各类信息渠道相互贯通,数据量呈指数式激增。以电子商务领域为例,商品条目以亿万计,用户的时间被大量地耗费在检索和筛选上。过量的信息远超出用户处理范围,从而造成信息负担;所以如何缓解信息过载问题是目前研究的一个热点。协同过滤算法是目前研究最深入、应用最成熟的一种推荐技术,是应对信息过载问题的高效手段。相似性度量是包括协同过滤在内的推荐算法的核心环节,极大地关系到推荐结果的精准度和算法的综合性能。而先前的很多相似性度量方法普遍受制于以下问题:一是典型的相似性度量方法仅利用共同评分项,数据利用率低,在数据高度稀疏环境下表现较差。二是仅依靠评分数据计算相似性,未考虑其他方面信息,容易造成误判。三是用户的评分行为带有习惯等因素,评分不能直接与满意度等同。本文针对上述问题提出了如下策略,主要包括:第一,设计适应稀疏数据的项目相似性度量方法。随着稀疏性的增大,愈难发现共同评分项,此时以共同评分为计算基础的相似性度量方法效率明显下降。本文引入生物信息科学领域的离散增量,依此构造了相异系数,提出了一种基于相异系数的项目相似性计算的方法,利用项目所有评分值的频数分布来计算相似性,摆脱了共... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

推荐过程示意图

图 2.1 协同过滤的完整流程相似性模型是基于邻居的协同过滤算法中重要基础，直接影响后续的邻式和预测规则的选取。根据相似性度量方式的不同，可分为基于用户的和基于项目的协同过滤。两种类型的方法的主要区别在于度量的是用户还是项目间的相似性、邻居群体的构成是用户还是项目等方面。 基于用户的协同过滤基于用户的协同过滤算法高效便捷、易于实现，作为推荐领域的经典方推荐系统的研究与运用中取得了很大的成功。基于用户的协同过滤认为的兴趣可以代表目标用户的兴趣、最近邻居评高分的项目用户也可能给分。算法的核心内容是利用相似度模型度量用户间的相似性，这也是与

重庆邮电大学硕士学位论文 第 3 章 基于偏好模型的用户相似性度量型的用户相似度度量算法有修正的余弦相似度(ACOS)、均方差相似度(MSD)等；评价标准则选取常见的综合指标 F1-measure。3.4.2 实验结果分析根据实验步骤完成两组的对比实验，结果如图 3.1、图 3.2 所示。总体上，随着最近邻居数的增加，两组推荐结果的 F1 值也随之增大。因为目标用户的最近邻居用户越多，这些用户中评价过目标项目的可能性越高，能有效地、准确地计算出待目标项目的评分的几率越大。两组实验结果中，以用户偏好信息作为数据源的 F1 值在各邻居数上始终高于使用原始评分作为输入源的 F1 值。

【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[2]基于矩阵填充和物品可预测性的协同过滤算法[J]. 潘涛涛,文锋,刘勤让.  自动化学报. 2017(09)
[3]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平.  计算机学报. 2018(01)
[4]基于启发式聚类模型和类别相似度的协同过滤推荐算法[J]. 王兴茂,张兴明,吴毅涛,潘俊池.  电子学报. 2016(07)
[5]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺.  模式识别与人工智能. 2016(03)
[6]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华.  软件学报. 2015(06)
[7]基于Hadoop分布式改进聚类协同过滤推荐算法研究[J]. 孙天昊,黎安能,李明,朱庆生.  计算机工程与应用. 2015(15)
[8]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇.  模式识别与人工智能. 2014(08)
[9]一种融合项目特征和移动用户信任关系的推荐算法[J]. 胡勋,孟祥武,张玉洁,史艳翠.  软件学报. 2014(08)
[10]一种结合推荐对象间关联关系的社会化推荐算法[J]. 郭磊,马军,陈竹敏,姜浩然.  计算机学报. 2014(01)



本文编号：3399790