基于改进相似度量的协同过滤推荐算法的实现与优化

发布时间：2021-11-04 23:31

　　当下由于互联网信息的急速增长,人与互联网的联系更加紧密,人们接触信息规模越来越大,大量数据进入人们的生活,使得人们的生活有了一定的便利,但伴随着出现了困扰。在推荐系统中,算法模型是非常重要的核心。协同过滤算法是一种经典算法,现如今还是能发挥巨大的作用,很多商业平台还在使用。但是它存在一些问题:数据稀疏性,相似度度量不准确等。面对上面提到的一些问题,本文首先介绍了当前流行的推荐技术,详细讲解协同过滤的核心原理,引入了云模型思想,对协同过滤算法中的相似性度量进行优化,并且提出了对多种协同过滤模型进行组合的方法,提升算法的性能表现,证实了所提出的算法具有良好的表现,提升了推荐效果。本文的工作分为四大部分如下:1.描述了推荐系统的当前研究现状,阐述了研究课题的意义,介绍了常见的一些推荐系统的工作流程和算法思路,对其优劣进行了深入了解,对常用的衡量方式也做了简单的比较。2.对于本文核心的协同过滤技术进行了深入剖析,对其算法步骤做了详细的介绍,对其存在的问题也做了相应的讲解,为后面提出地改进做了铺垫。3.引入云模型的理念,可以对原始数据的稀疏性进行优化,在相似度计算过程中,对基础的云模型相似度进行... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 相关领域国内外发展概况
    1.3 论文的主要研究内容
第二章 推荐系统及评价体系
    2.1 推荐系统的分类
        2.1.1 基于内容的推荐
        2.1.2 协同过滤推荐
        2.1.3 矩阵分解
        2.1.4 隐语义模型
        2.1.5 组合模型
        2.1.6 基于深度学习的推荐系统
    2.2 评价体系
        2.2.1 用户满意度
        2.2.2 预测准确度
        2.2.3 覆盖率
        2.2.4 多样性
        2.2.5 新颖性
    2.3 本章小结
第三章 协同过滤推荐算法
    3.1 协同过滤算法的流程
    3.2 相似度计算
    3.3 协同过滤算法的种类
    3.4 协同过滤算法存在的问题
    3.5 本章小结
第四章 基于改进云模型的协同过滤推荐算法
    4.1 云模型介绍
    4.2 基于云模型的相似度计算
    4.3 相似度的改进
        4.3.1 基于云形状-熟悉度的改进
        4.3.2 时间因子
    4.4 相关实验及结果
        4.4.1 实验数据集
        4.4.2 实验结果与分析
    4.5 本章小结
第五章 基于云模型的组合模型
    5.1 混合推荐技术
    5.2 基于线性的权重组合
        5.2.1 等权重组合
        5.2.2 动态权重组合
    5.3 基于混合的云模型协同过滤算法优化
    5.4 实验设计与结果
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
在学期间的科研活动及成果
致谢


【参考文献】：
期刊论文
[1]基于艾宾浩斯遗忘曲线的个性化推荐算法[J]. 周子愉.  电子制作. 2018(Z2)
[2]机器学习方法在个性化推荐系统中的应用[J]. 刘忠宝.  情报探索. 2016(04)
[3]基于用户相似度的协同过滤推荐算法[J]. 荣辉桂,火生旭,胡春华,莫进侠.  通信学报. 2014(02)
[4]融合邻域模型与隐语义模型的推荐算法[J]. 鲁权,王如龙,张锦,丁怡.  计算机工程与应用. 2013(19)
[5]云模型中正向云算法的修正[J]. 李庆,董庆宽,赵蕾.  西安电子科技大学学报. 2013(05)
[6]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)
[7]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)
[8]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁.  软件学报. 2012(01)
[9]基于云模型的项目评分预测推荐算法[J]. 徐德智,李小慧.  计算机工程. 2010(17)
[10]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏.  复杂系统与复杂性科学. 2009(03)

博士论文
[1]基于矩阵分解的图像表示理论及其应用研究[D]. 肖延辉.北京交通大学 2014

硕士论文
[1]基于协同过滤的推荐算法研究与引擎设计[D]. 王世晖.电子科技大学 2017
[2]推荐系统中协同过滤算法关键问题研究[D]. 林康.扬州大学 2016
[3]RBM在推荐系统中的应用与研究[D]. 章恩.江西理工大学 2015



本文编号：3476619