推荐算法中冷启动问题的研究与实现
发布时间：2021-11-04 17:39
在信息过载的时代背景下,推荐技术可以帮助用户对信息进行有效筛选,协同过滤算法以其效率高、精度准的特点在推荐系统中得到大范围普及。尽管如此,随着推荐系统中的项目和用户数量的快速增长,该算法正面临着严重的冷启动问题,这大大降低了算法本身的推荐效果。因此,为了使推荐算法在冷启动环境下仍能表现出良好的推荐效果,本文对原有的推荐算法进行了改进,改进分为四个方面:一,为解决数据稀疏性会对聚类结果及推荐效果产生影响这一问题,本文基于项目属性间的相似性对评分矩阵进行了预填充,数据稀疏性得以充分缓解。二,针对协同过滤算法中存在的用户冷启动问题,本文引入了用户的人口统计学信息,将用户间的相似度计算公式修改为评分相似性与人口统计学相似性的动态加权,这样系统能够针对不同用户的不同情况对两者所占比重进行动态的调整。当新用户第一次使用推荐系统时,改进的相似度计算公式能够根据用户的人口统计学相似性为新用户寻找最近邻,并产生推荐。三,针对协同过滤算法中存在的实时性差的问题,本文采用聚类算法对用户进行离线聚类。本文优化了k-mean 算法中初始聚类中心的选取,提高算法的稳定性。然后,使用改进后的聚类算法对用户进行离线聚...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图３－１最近邻选取方法对比??传统方法中最近邻选取范围是整个数据对象集合，依次计算目标用户与数据??
??图３－１最近邻选取方法对比??传统方法中最近邻选取范围是整个数据对象集合，依次计算目标用户与数据??集合中所有用户之间的相似度，并对相似度进行排序，将相似度最高的々个用户??选取出来，作为目标用户的最近邻集合。??而引入聚类算法之后，最近邻的选取范围也随之发生了变化。我们不再需要??在整个数据集合中进行选取，我们可以将最近邻的选取范围缩小到目标用户所在??聚类即可。聚类算法得到的聚类划分具有如下特点，类与类之间相似度较低，类??中对象与对象之间相似度较高。这样可以将除目标用户所在聚类之外的其他聚类??中包含的所有数据对象看做与目标用户相似度较低的对象，因此，这样的群体并??不在考虑范畴之中。??传统算法：整个数据集合?改进算法：目标对象所在聚类???〇?－－－－??°?〇?°?ｉ?〇?ｏ?＿□际对染??＼?／?所在聚类??〇?〇??？?〇?｜?＿?（匕
ｖｇＮＮＵ（ｕ）??在进行评分预测之后，标准排序方法［３１］（如公式３－１４所示）会对评分进行??由高到低的排序，然后选择评分Ｔｏｐ?Ｎ的项目进行推荐。??ｒａｎｋＳｔａｎｄａｒｄ｛ｉ）＾?Ｒ｛ＵＡ＇?（３＿１４）??这样的推荐方式会使流行度较高的项目重复出现在用户的推荐列表中，进而??降低推荐项目总体多样性。为提高推荐项目的总体多样性，本文提出一种对流行??度较高项目的预测评分进行分阶段惩罚的方法，解决标准排序带来的问题，惩罚??公式如下：??Ｄ?（?＼ａ＾Ｒ（ｕ，ｉ），ａｘ?＾ｐｏｐ＾ａ，??Ｒｎｅ，＼Ｕ＾）?＝?＼?ｐ?Ｄ／?Ａ?＾?＾?（３－１５）??Ｉ?ｐ?ｘ?＜?ｐｏｐ．?＜?ａ３??是指项目／的流行度，下面举例介绍一下分阶段惩罚过程。设在增加惩??罚因子之前推荐的项目及项目预测评分如图３－３所示，现对流行度在２００－３００之??间的项目增添评分惩罚因子０．９，对流行度在３００－５００之间的项目增添评分惩罚??因子０．８，则得到的推荐结果如图３－４所示。??项目?ｉ（ｌ?１２?３?４?５?６?７?８?－??
【参考文献】：
期刊论文
[1]改进的基于物品的协同过滤推荐算法[J]. 石京京,肖迎元,郑文广. 天津理工大学学报. 2019(01)
[2]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)
[3]基于K-means聚类算法优化方法的研究[J]. 刘叶,吴晟,周海河,吴兴蛟,韩林峄. 信息技术. 2019(01)
[4]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[5]推荐系统冷启动问题解决策略研究[J]. 乔雨,李玲娟. 计算机技术与发展. 2018(02)
[6]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[7]混合协同过滤算法中用户冷启动问题的研究[J]. 端德坤,傅秀芬. 计算机工程与应用. 2017(21)
[8]一种基于相对相似性提高推荐总体多样性的协同过滤算法[J]. 姜书浩,张立毅,张志鑫. 现代图书情报技术. 2016(12)
[9]个性化推荐冷启动算法[J]. 廖寿福,林世平,郭昆. 小型微型计算机系统. 2015(08)
[10]基于标签权重评分的推荐模型及算法研究[J]. 孔欣欣,苏本昌,王宏志,高宏,李建中. 计算机学报. 2017(06)
硕士论文
[1]基于k-means用户聚类的混合协同过滤算法的研究[D]. 汪宇.吉林大学 2016
[2]改进的基于用户和项目聚类的协同过滤推荐算法[D]. 韩英付.华东师范大学 2015
[3]协同过滤算法中冷启动问题的研究[D]. 申辉繁.重庆大学 2015
[4]基于Kruskal算法改进的K-means聚类和用户兴趣变化的推荐系统研究[D]. 王鲁庆.昆明理工大学 2015
[5]基于协同过滤与划分聚类的推荐算法研究[D]. 张亮.吉林大学 2014
[6]基于聚类的个性化推荐算法研究[D]. 雷震.电子科技大学 2013
[7]协同过滤系统的冷启动问题研究[D]. 朱丽中.大连理工大学 2013
本文编号：3476186
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图３－１最近邻选取方法对比??传统方法中最近邻选取范围是整个数据对象集合，依次计算目标用户与数据??
??图３－１最近邻选取方法对比??传统方法中最近邻选取范围是整个数据对象集合，依次计算目标用户与数据??集合中所有用户之间的相似度，并对相似度进行排序，将相似度最高的々个用户??选取出来，作为目标用户的最近邻集合。??而引入聚类算法之后，最近邻的选取范围也随之发生了变化。我们不再需要??在整个数据集合中进行选取，我们可以将最近邻的选取范围缩小到目标用户所在??聚类即可。聚类算法得到的聚类划分具有如下特点，类与类之间相似度较低，类??中对象与对象之间相似度较高。这样可以将除目标用户所在聚类之外的其他聚类??中包含的所有数据对象看做与目标用户相似度较低的对象，因此，这样的群体并??不在考虑范畴之中。??传统算法：整个数据集合?改进算法：目标对象所在聚类???〇?－－－－??°?〇?°?ｉ?〇?ｏ?＿□际对染??＼?／?所在聚类??〇?〇??？?〇?｜?＿?（匕
ｖｇＮＮＵ（ｕ）??在进行评分预测之后，标准排序方法［３１］（如公式３－１４所示）会对评分进行??由高到低的排序，然后选择评分Ｔｏｐ?Ｎ的项目进行推荐。??ｒａｎｋＳｔａｎｄａｒｄ｛ｉ）＾?Ｒ｛ＵＡ＇?（３＿１４）??这样的推荐方式会使流行度较高的项目重复出现在用户的推荐列表中，进而??降低推荐项目总体多样性。为提高推荐项目的总体多样性，本文提出一种对流行??度较高项目的预测评分进行分阶段惩罚的方法，解决标准排序带来的问题，惩罚??公式如下：??Ｄ?（?＼ａ＾Ｒ（ｕ，ｉ），ａｘ?＾ｐｏｐ＾ａ，??Ｒｎｅ，＼Ｕ＾）?＝?＼?ｐ?Ｄ／?Ａ?＾?＾?（３－１５）??Ｉ?ｐ?ｘ?＜?ｐｏｐ．?＜?ａ３??是指项目／的流行度，下面举例介绍一下分阶段惩罚过程。设在增加惩??罚因子之前推荐的项目及项目预测评分如图３－３所示，现对流行度在２００－３００之??间的项目增添评分惩罚因子０．９，对流行度在３００－５００之间的项目增添评分惩罚??因子０．８，则得到的推荐结果如图３－４所示。??项目?ｉ（ｌ?１２?３?４?５?６?７?８?－??
【参考文献】：
期刊论文
[1]改进的基于物品的协同过滤推荐算法[J]. 石京京,肖迎元,郑文广. 天津理工大学学报. 2019(01)
[2]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)
[3]基于K-means聚类算法优化方法的研究[J]. 刘叶,吴晟,周海河,吴兴蛟,韩林峄. 信息技术. 2019(01)
[4]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[5]推荐系统冷启动问题解决策略研究[J]. 乔雨,李玲娟. 计算机技术与发展. 2018(02)
[6]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[7]混合协同过滤算法中用户冷启动问题的研究[J]. 端德坤,傅秀芬. 计算机工程与应用. 2017(21)
[8]一种基于相对相似性提高推荐总体多样性的协同过滤算法[J]. 姜书浩,张立毅,张志鑫. 现代图书情报技术. 2016(12)
[9]个性化推荐冷启动算法[J]. 廖寿福,林世平,郭昆. 小型微型计算机系统. 2015(08)
[10]基于标签权重评分的推荐模型及算法研究[J]. 孔欣欣,苏本昌,王宏志,高宏,李建中. 计算机学报. 2017(06)
硕士论文
[1]基于k-means用户聚类的混合协同过滤算法的研究[D]. 汪宇.吉林大学 2016
[2]改进的基于用户和项目聚类的协同过滤推荐算法[D]. 韩英付.华东师范大学 2015
[3]协同过滤算法中冷启动问题的研究[D]. 申辉繁.重庆大学 2015
[4]基于Kruskal算法改进的K-means聚类和用户兴趣变化的推荐系统研究[D]. 王鲁庆.昆明理工大学 2015
[5]基于协同过滤与划分聚类的推荐算法研究[D]. 张亮.吉林大学 2014
[6]基于聚类的个性化推荐算法研究[D]. 雷震.电子科技大学 2013
[7]协同过滤系统的冷启动问题研究[D]. 朱丽中.大连理工大学 2013
本文编号：3476186
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3476186.html
最近更新
教材专著
