协同过滤算法的改进和应用研究

发布时间：2021-10-20 17:05

　　由于互联网技术的发展,信息爆炸式地呈现在人们面前。指数型增长的数据资源,使得精准获取有价值的信息需求更加迫切。个性化推荐技术随之进入人们的视野,该技术通过采集用户的历史行为信息,分析支配该行为的内在原因即用户可能存在的偏好,以此为依据结合推荐算法主动向用户提供信息服务和决策支撑。在个性化推荐领域当中被普遍使用的是协同过滤算法,目前对其的探索最为广泛。本文针对传统算法中存在的可扩展性和推荐的时效性等问题提出一种改进的协同过滤推荐算法,并将其成功应用到中小企业服务平台上。论文的主要研究内容如下:（1）着重研究协同过滤中基于用户、项目和模型的算法。讨论了相似性度量方式和算法衡量的标准,阐述了算法面临的问题和改进迫切性。（2）提出基于partition算法改进的协同过滤算法。应用partition算法将数据库划分成几个互不相交的子库,并寻找局部频繁项集。再使用Pearson相关度量来找到前n个相似的邻居。在查询包含j项的频繁项集联合形成U类的前提下,通过预测在U类中推荐具有更高评价的前n个项目。（3）在真实的数据集上通过实验表明该算法的平均绝对误差和平均方根误差均低于传统算法,与此同时算法的覆... 

【文章来源】：江西理工大学江西省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

Partition算法流程图

Coverage 描述了推荐系统向用户推荐的系统的推荐是否全面的常用指标，该值越大系统覆盖i ii 1-NP QMAEN 2i ii 1( )NP QRMSEN ( ) ( )( )u Uu UIP u IR uCoverageIR u 结果FBP 算法、Enrique 等人提出的关联规则算法［65］(En)](Huang)的平均绝对误差（MAE）。

］的平均绝对误差（MAE）值进行比对。结果如下图4.3。图 4.3 四种算法在不同邻居数下的 MAE 比较图 4.3 显示当最近邻居的数量一定时，CFBP 算法的 MAE 值小于其他算法。 且在MinSup=0.2， MinConf=0.4，最近邻数目为 50 时，本文算法的 MAE 值达到最小值，即算法的预测值最准确。（3）实验三通过实验比较 CFBP、KNN-100[69]和 IRP-CF[70]算法的 MAE,RMSE 和 Coverage 值得出结果如下图 4.4 所示从图 4.4 易得出 KNN-100，IRP-CF 与 CFBP 三种算法的 MAE 和 RMSE 值依次降低，Coverage 值则上升。在三种算法中 CFBP 算法的 MAE 和 RMSE 值最低

【参考文献】：
期刊论文
[1]一种具有跳跃式前进的Apriori算法[J]. 陈方健,张明新,杨昆.  计算机应用与软件. 2015(03)
[2]数据挖掘中关联规则挖掘算法的分析研究[J]. 李仕琼.  电子技术与软件工程. 2015(04)
[3]基于项目兴趣度的协同过滤新算法[J]. 孙光明,王硕.  计算机应用研究. 2013(12)
[4]基于德尔菲法的专家评估方法[J]. 刘伟涛,顾鸿,李春洪.  计算机工程. 2011(S1)
[5]通过相似度支持度优化基于K近邻的协同过滤算法[J]. 罗辛,欧阳元新,熊璋,袁满.  计算机学报. 2010(08)
[6]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)
[7]数据包络分析法（DEA）的研究与应用[J]. 李美娟,陈国宏.  中国工程科学. 2003(06)

硕士论文
[1]基于多层次灰色综合评价法的中文核心期刊分级研究[D]. 张新.武汉科技大学 2014
[2]电子商务个性化推荐系统中协同过滤算法的研究与应用[D]. 王桂芬.南昌大学 2012
[3]模糊综合评价模型的研究及应用[D]. 许雪燕.西南石油大学 2011
[4]基于BP神经网络的排序评价算法研究及其应用[D]. 胡彩萍.江西师范大学 2009



本文编号：3447281