协同过滤算法中冷启动问题的研究
发布时间：2021-10-20 06:50
互联网技术的飞速发展,使得人类社会已经进入信息爆炸的大数据时代,从海量的信息数据中快速获取对自己有价值的信息成为研究难题。个性化推荐能够以用户的行为数据为依据,挖掘用户的偏好类型,从而有效地减轻信息过载,提高信息使用率。协同过滤技术是实现个性化推荐的一种成功的算法,该算法对评分数据进行分析,挖掘出用户之间在评分上的相似度,为目标用户或者目标项目找到邻居集,以此来完成推荐。本文针对传统协同过滤因冷启动而无法推荐的问题,提出了两种改进的协同过滤算法,在缺少历史行为记录的情况下,完成对新用户和新项目的推荐。（1）融合用户信息和BP网络的协同过滤算法（Collaborative Filtering Algorithm Combined with User’s Attributes and Back Propagation Network,UA-BP-CF）,UA-BP-CF算法首先计算用户间基于特征属性的分量相似度,传入BP网络的输入层,然后经过神经网络加权计算得到输出神经元的值,以此作为衡量新用户相似度的依据,从而解决新用户的冷启动问题,完成推荐。（2）结合项目内容和层次聚类的协同过滤算法（...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
亚马逊网站为用户推荐的购买书单
协同过滤算法中冷启动问题的研究3图1.2豆瓣网站为用户推荐同一类型的电影在学术领域，自从90年代起，推荐系统发展成为一个独立的研究领域，研究学者们举办了多个专业性的学术会议，同时建立了相关的学术期刊。随着推荐技术应用的不断增加，其对应的局限性和缺点也暴露出来了。为了得到更好的推荐效果，研究学者们致力于发现其局限问题，优化传统的推荐技术，发表了一系列研究成果。文献[16]研究了针对用户的图书推荐系统，改进了对图书评分的相似度计算方法，将用户间共同项目的相似度添加为阈值，用户评级数量也包括在计算过程中。文献[17]分析了经典智能推荐算法运用于C2B个性化定制场景中的局限性，提出采用隐式反馈数据、独立运行推荐步骤、考虑属性相关性的改进思路。文献[18]利用频繁项集完成个性化推荐，实现新闻推荐系统，缩小计算数据的范围，加快了推荐效率。文献[19]提出了一种基于二元特征的竞争关系模型，和基于竞争关系的混合推荐模型。1.3本文研究内容本文研究的是个性化推荐技术，在阅读相关文献的基础上，学习了一些常见的推荐技术，重点研究协同过滤推荐算法，针对它的冷启动问题进行算法的改进，主要包括以下内容：（1）分析并研究了传统协同过滤算法的实现原理、存在的问题以及现阶段的一些改进措施，着重研究协同过滤推荐算法的冷启动问题。
协同过滤算法中冷启动问题的研究72个性化推荐相关技术2.1主要推荐技术2.1.1推荐技术概述个性化推荐系统(RecommendationSystem)[20]是指，信息检索的系统或网站获取大量的用户历史行为记录，在此基础上进行数据分析的智能信息过滤技术。当用户面对大量的信息数据无法快速高效地处理时，推荐系统可以自动预测用户可能喜欢的物品，将其推荐给用户，是一种提高信息使用率，减缓信息超载问题的有效方法。推荐系统的结果是“一对一”的，不同的用户，系统推荐的结果也是不同的，满足了用户需求的多元化和个性化，同时可以增加网站的交易量和浏览次数。推荐系统在电商平台、视频音乐、社交网络、电子阅读等领域都有着广泛的使用，为网站带来了巨大的经济效益。推荐系统的组成模型如图2.1所示，它的工作基础是获取并分析用户的行为记录数据和兴趣偏好信息，用户的偏好数据分为显式数据和隐式数据，显式数据包括用户的特征数据、所给评分、评论的文本信息和点赞收藏记录等，隐式数据包括用户对商品的搜索次数、点击商品数、页面的浏览时间等。根据收集到的用户偏好信息为用户的兴趣偏好建模，将用户的兴趣模型和推荐的对象模型相结合，推荐算法就可以为其完成推荐。图2.1推荐系统的构成模型选择哪一种推荐算法，就会决定有怎样的推荐质量。在实际应用中，经常出现的推荐技术有基于内容的推荐、基于关联规则的推荐和协同过滤推荐等，在下
【参考文献】：
期刊论文
[1]融合用户兴趣的协同过滤算法[J]. 赵佳旭,陈志德,饶绪黎. 福建电脑. 2019(09)
[2]一种面向稀疏数据基于间接评分的协同过滤算法[J]. 张超,颜伟. 曲阜师范大学学报(自然科学版). 2019(03)
[3]个性化推荐系统综述[J]. 代丽,樊粤湘. 计算机时代. 2019(06)
[4]基于二次筛选的协同过滤可扩展性问题研究[J]. 冷亚军,黎忠雪,杨晶. 内蒙古科技与经济. 2019(09)
[5]基于Apriori算法的高校Web日志挖掘系统构建[J]. 王春玲,李川,李想. 中国林业教育. 2019(02)
[6]基于Apriori算法的航空设备故障关联分析[J]. 陈秀秀,刘凯,马双涛,刘丽,陈思琦. 山东师范大学学报(自然科学版). 2019(01)
[7]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[8]改进的协同过滤算法及其并行化实现[J]. 李嵩,李书琴,刘斌. 计算机工程与设计. 2018(12)
[9]基于Hadoop平台的优化协同过滤推荐算法研究[J]. 申晋祥,鲍美英. 软件. 2018(12)
[10]一种基于k-modes的冷启动问题解决算法[J]. 肖文杰. 福建电脑. 2018(08)
博士论文
[1]基于竞争关系的推荐技术研究[D]. 姜邵巍.北京邮电大学 2014
硕士论文
[1]基于协同过滤的新闻推荐系统的设计与实现[D]. 薛松.山东师范大学 2019
[2]基于情感分析的神经网络协同过滤[D]. 李柯.南京大学 2019
[3]数据稀疏情况下的协同过滤推荐算法研究[D]. 李博.北京邮电大学 2019
[4]基于K-means和FP-growth算法的电力负荷预测研究[D]. 芮晨.兰州理工大学 2019
[5]基于FP-Growth的关联规则算法研究及其在高校教育大数据中的应用[D]. 杜梦欣.吉林大学 2019
[6]基于用户的协同过滤算法在图书推荐系统中的应用研究[D]. 柯贤斌.长江大学 2019
[7]面向稀疏性数据的协同过滤推荐算法研究[D]. 章金平.安徽大学 2019
[8]制造企业面向C2B个性化定制的智能推荐研究[D]. 马婧.东南大学 2018
[9]基于理性行为理论的推荐模型及其项目冷启动问题研究[D]. 黄晓琴.厦门大学 2018
[10]基于频繁项集的个性化推荐的研究[D]. 李鹏飞.北京邮电大学 2017
本文编号：3446448
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
亚马逊网站为用户推荐的购买书单
协同过滤算法中冷启动问题的研究3图1.2豆瓣网站为用户推荐同一类型的电影在学术领域，自从90年代起，推荐系统发展成为一个独立的研究领域，研究学者们举办了多个专业性的学术会议，同时建立了相关的学术期刊。随着推荐技术应用的不断增加，其对应的局限性和缺点也暴露出来了。为了得到更好的推荐效果，研究学者们致力于发现其局限问题，优化传统的推荐技术，发表了一系列研究成果。文献[16]研究了针对用户的图书推荐系统，改进了对图书评分的相似度计算方法，将用户间共同项目的相似度添加为阈值，用户评级数量也包括在计算过程中。文献[17]分析了经典智能推荐算法运用于C2B个性化定制场景中的局限性，提出采用隐式反馈数据、独立运行推荐步骤、考虑属性相关性的改进思路。文献[18]利用频繁项集完成个性化推荐，实现新闻推荐系统，缩小计算数据的范围，加快了推荐效率。文献[19]提出了一种基于二元特征的竞争关系模型，和基于竞争关系的混合推荐模型。1.3本文研究内容本文研究的是个性化推荐技术，在阅读相关文献的基础上，学习了一些常见的推荐技术，重点研究协同过滤推荐算法，针对它的冷启动问题进行算法的改进，主要包括以下内容：（1）分析并研究了传统协同过滤算法的实现原理、存在的问题以及现阶段的一些改进措施，着重研究协同过滤推荐算法的冷启动问题。
协同过滤算法中冷启动问题的研究72个性化推荐相关技术2.1主要推荐技术2.1.1推荐技术概述个性化推荐系统(RecommendationSystem)[20]是指，信息检索的系统或网站获取大量的用户历史行为记录，在此基础上进行数据分析的智能信息过滤技术。当用户面对大量的信息数据无法快速高效地处理时，推荐系统可以自动预测用户可能喜欢的物品，将其推荐给用户，是一种提高信息使用率，减缓信息超载问题的有效方法。推荐系统的结果是“一对一”的，不同的用户，系统推荐的结果也是不同的，满足了用户需求的多元化和个性化，同时可以增加网站的交易量和浏览次数。推荐系统在电商平台、视频音乐、社交网络、电子阅读等领域都有着广泛的使用，为网站带来了巨大的经济效益。推荐系统的组成模型如图2.1所示，它的工作基础是获取并分析用户的行为记录数据和兴趣偏好信息，用户的偏好数据分为显式数据和隐式数据，显式数据包括用户的特征数据、所给评分、评论的文本信息和点赞收藏记录等，隐式数据包括用户对商品的搜索次数、点击商品数、页面的浏览时间等。根据收集到的用户偏好信息为用户的兴趣偏好建模，将用户的兴趣模型和推荐的对象模型相结合，推荐算法就可以为其完成推荐。图2.1推荐系统的构成模型选择哪一种推荐算法，就会决定有怎样的推荐质量。在实际应用中，经常出现的推荐技术有基于内容的推荐、基于关联规则的推荐和协同过滤推荐等，在下
【参考文献】：
期刊论文
[1]融合用户兴趣的协同过滤算法[J]. 赵佳旭,陈志德,饶绪黎. 福建电脑. 2019(09)
[2]一种面向稀疏数据基于间接评分的协同过滤算法[J]. 张超,颜伟. 曲阜师范大学学报(自然科学版). 2019(03)
[3]个性化推荐系统综述[J]. 代丽,樊粤湘. 计算机时代. 2019(06)
[4]基于二次筛选的协同过滤可扩展性问题研究[J]. 冷亚军,黎忠雪,杨晶. 内蒙古科技与经济. 2019(09)
[5]基于Apriori算法的高校Web日志挖掘系统构建[J]. 王春玲,李川,李想. 中国林业教育. 2019(02)
[6]基于Apriori算法的航空设备故障关联分析[J]. 陈秀秀,刘凯,马双涛,刘丽,陈思琦. 山东师范大学学报(自然科学版). 2019(01)
[7]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[8]改进的协同过滤算法及其并行化实现[J]. 李嵩,李书琴,刘斌. 计算机工程与设计. 2018(12)
[9]基于Hadoop平台的优化协同过滤推荐算法研究[J]. 申晋祥,鲍美英. 软件. 2018(12)
[10]一种基于k-modes的冷启动问题解决算法[J]. 肖文杰. 福建电脑. 2018(08)
博士论文
[1]基于竞争关系的推荐技术研究[D]. 姜邵巍.北京邮电大学 2014
硕士论文
[1]基于协同过滤的新闻推荐系统的设计与实现[D]. 薛松.山东师范大学 2019
[2]基于情感分析的神经网络协同过滤[D]. 李柯.南京大学 2019
[3]数据稀疏情况下的协同过滤推荐算法研究[D]. 李博.北京邮电大学 2019
[4]基于K-means和FP-growth算法的电力负荷预测研究[D]. 芮晨.兰州理工大学 2019
[5]基于FP-Growth的关联规则算法研究及其在高校教育大数据中的应用[D]. 杜梦欣.吉林大学 2019
[6]基于用户的协同过滤算法在图书推荐系统中的应用研究[D]. 柯贤斌.长江大学 2019
[7]面向稀疏性数据的协同过滤推荐算法研究[D]. 章金平.安徽大学 2019
[8]制造企业面向C2B个性化定制的智能推荐研究[D]. 马婧.东南大学 2018
[9]基于理性行为理论的推荐模型及其项目冷启动问题研究[D]. 黄晓琴.厦门大学 2018
[10]基于频繁项集的个性化推荐的研究[D]. 李鹏飞.北京邮电大学 2017
本文编号：3446448
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3446448.html
最近更新
教材专著
