基于用户特征和项目关联度的协同过滤推荐算法研究

发布时间：2021-09-22 18:39

　　信息时代的到来使用户难以快速获得对自己有用的数据,为了从海量的数据中帮助用户获取有效信息,个性化推荐算法应用而生。它可以根据用户的历史浏览记录、兴趣类别以及具体的搜索词条,针对性地挖掘用户真正需要的信息,进而为用户产生推荐。目前,由于协同过滤算法具有推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习速度的优点,成为推荐搜索算法研究的热点,但随着信息量不断膨胀,此算法存在冷启动、推荐准确性、数据稀疏性和推荐单一性的问题。为解决以上问题,本文提出了基于用户特征和和项目关联度的协同过滤推荐算法。本文的研究内容如下:第一,针对基于用户的协同过滤推荐算法仅考虑用户评分问题,提出了综合考虑三个方面的关键问题来刻画用户特征,主要包括:（1）针对冷启动问题,提出综合考虑用户的多方面特征,比如性别、年龄、职业等,通过将三种特征对相似度的影响按照相应的重要性用权重系数加权,得到用户间的属性特征相似性,实现对新用户的推荐,改善了冷启动问题。（2）针对推荐准确率低的问题,提出利用用户评分建立用户兴趣特征的方法,计算出用户间的兴趣相似度,为用户推送其喜爱的项目,提高了推荐准确性。（3... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

推荐系统的系统架构

北京工业大学工程硕士专业学位论文(4) 用户相关性推荐系统用户相关性推荐系统与其他系统的不同之处在于：它不需要用户手动的输己感兴趣的信息，系统会通过分析用户对项目的评价来查找与其相似的用户，然后根据集合中的评价可以得到要推送用户对此项目的偏好信息，从而产荐，该推荐系统是自动化的。2 相关推荐算法在推荐系统中，推荐算法是整个系统中的重中之重，影响着整个系统是否用户提供高质量的推送。目前可以把推荐算法分为：基于内容的、基于协同的以及混合推荐[32]，如图 2-2 所示，本节将对这几个常用算法进行详细介

图 2-3 基于内容的推荐算法原理图Fig.2-3 Principle of Content-based Recommendation Algorithm通过研究用户的行为记录得到他们购买或浏览的商品，这户的偏好，从而为他们提供准确的推荐服务，但在实际几点问题[34]：析的项目内容有限。该算法需要解析项目的基本属性，种推荐主要是针对文本信息，需要项目有良好的结构性结构的项目难以获取项目的内容信息，因此对这类项目，是很准确。结果不具有新颖性。由于该算法基于用户的历史记录，类的商品。而在现实生活中，为用户提供潜在兴趣的、新商业价值。的项目范围太窄。该算法只局限于用户体验过或浏览过表太局部，不能根据用户信息完全的挖掘潜在的用户需求

【参考文献】：
期刊论文
[1]一种融合协同过滤和用户属性过滤的混合推荐算法[J]. 曹俊豪,李泽河,江龙,张德刚.  电子设计工程. 2018(09)
[2]海量学术资源个性化推荐综述[J]. 刘伟,刘柏嵩,王洋洋.  计算机工程与应用. 2018(03)
[3]国内外大数据推荐算法领域前沿动态研究[J]. 陈军,谢卫红,陈扬森.  中国科技论坛. 2018(01)
[4]基于商品属性值和用户特征的协同过滤推荐算法[J]. 高长元,黄凯,王京,张树臣.  计算机工程与科学. 2017(12)
[5]利用用户不偏好项目属性提高项目协同过滤算法效率和精度[J]. 文诗琪,王成,苏芳芳,刘技峰,陈叶旺,郑国旗.  小型微型计算机系统. 2017(08)
[6]基于关联规则挖掘的分类随机游走算法[J]. 施海鹰.  计算机技术与发展. 2017(09)
[7]基于项目属性偏好挖掘的协同过滤推荐算法[J]. 陈颖,侯惠敏.  计算机应用. 2017(S1)
[8]基于用户评论评分与信任度的协同过滤算法[J]. 王余斌,王成良,文俊浩.  计算机应用研究. 2018(05)
[9]一种改进的top-N协同过滤推荐算法[J]. 肖文强,姚世军,吴善明.  计算机应用研究. 2018(01)
[10]基于用户偏好和项目特征的协同过滤推荐算法[J]. 张应辉,司彩霞.  计算机技术与发展. 2017(01)

硕士论文
[1]基于关联规则优化的协同过滤混合推荐算法研究[D]. 韩志俊.宁夏大学 2018
[2]基于深度学习的协同过滤算法研究[D]. 王逸鹤.北京工业大学 2018
[3]基于协同过滤和属性关联规则混合推荐算法研究[D]. 魏全彬.西南交通大学 2018
[4]融合信任关系的二重聚类推荐算法研究[D]. 唐同龙.郑州大学 2016
[5]电子商务推荐系统的关联聚类协同过滤算法研究[D]. 邹飞.大连海事大学 2015



本文编号：3404206