基于组合策略的电影推荐系统的研究
发布时间：2021-11-28 10:02
互联网的快速发展使人们从当初的信息匮乏时代迈入了信息过载的时代。在电影为代表的互联网视频资源信息平台中,传统的搜索引擎通过关键字来获取信息,如果关键字的准确度高则可能得到自己想要的答案,如果准确度不高,那么搜索结果就会出现大量选项信息,用户不仅会花费大量时间,而且不一定能得到自己需要的信息,因此,通过输入关键字搜索技术已满足不了用户个性化的需求。个性化网络时代是希望系统能从用户的数据中分析用户的行为,发掘用户的兴趣偏好,为用户找出符合其需求的信息资源。推荐系统的出现满足了用户的这一需求。首先,本文分析了国内外相关文献资料,了解到早期的推荐技术是通过用户对物品的评分,得到评分矩阵建立相似性来划分近邻,依据与他相邻的用户喜好也类似的思想,完成推荐。然而,随着电影数量不断的增加,用户仅对少量电影进行评分,建立的评分矩阵较稀疏,导致推荐算法的准确度下降。因此,本文通过组合策略的思想来对电影推荐进行研究。然后,文章介绍了目前广泛应用的几种推荐技术。讲述了这几种推荐技术研究的内容及应用现状,针对稀疏数据推荐效果不佳问题,利用GroupLens提供的MovieLens 20m数据集,设计了改进的基于...
【文章来源】：天津商业大学天津市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
基于人口统计学的推荐Figure2-1Recommendationsbasedondemographics基于人口统计学推荐的优点：
第二章 推荐系统及其相关技术性较低，用户的兴趣随着时间很可能会动态的发生变化，但是入很大程度上就不会改变。一些品味独特的用户可能得不到很好的推荐。内容的推荐容的推荐是通过用户以往的行为数据进行分析，为用户推荐与容上非常类似的物品。没有利用其他用户的数据进行分析，因响，也不存在数据稀疏性的问题，并且能够为少数有特殊偏好用户 A 喜欢动作和冒险类电影，那么当出现类型相同的电影 C推荐原理如图 2-2 所示。
荐的物品与用户以往选择的物品在特征上具有相似性，因此，法推荐。并且对于图片，音频和视频等非文本类信息无法处理滤推荐是人们研究及生活应用中较多的个性化推荐技术，算法思想是有相似兴趣的邻居，给目标用户推荐其邻居用户所喜爱的项目样的项目，提高新颖性和用户满意度[12]。本文将讲述协同过滤用户的协同过滤算法和基于项目的协同过滤算法。协同过滤统中，基于用户的协同过滤算法是提出比较早的算法。算法对物品的评分数据来建立用户-项目评分矩阵，之后计算系统户，将这些近邻用户的评价综合起来产生一个推荐，将其中未给用户。比如，用户 A 喜欢电影 A、C，用户 C 喜欢电影 A、为用户 A 和用户 C 相似，那么可以推荐用户 A 看没看过的电-3 所示。
【参考文献】：
期刊论文
[1]基于奇异值分解和项目属性的推荐算法[J]. 张建军,陆国生,刘征宇. 合肥工业大学学报(自然科学版). 2018(06)
[2]基于聚类的隐式用户兴趣建模[J]. 吕新波,关毅. 智能计算机与应用. 2013(01)
[3]基于知识图谱的国内外个性化推荐比较研究[J]. 武慧娟,周兰萍,辛跃. 东北电力大学学报. 2012(05)
[4]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)
[5]聚类分析在中等职业学校学生专业选择分析中的应用[J]. 王新龙. 长治学院学报. 2010(05)
[6]一种基于内容和协同过滤同构化整合的推荐系统模型[J]. 李忠俊,周启海,帅青红. 计算机科学. 2009(12)
[7]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)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平. 软件学报. 2009(02)
[9]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)
[10]中文文本过滤的信息分流机制[J]. 林鸿飞,李业丽,姚天顺. 计算机研究与发展. 2000(04)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[2]基于协同过滤的个性化Web推荐[D]. 孙慧峰.北京邮电大学 2012
硕士论文
[1]基于SVD的推荐系统研究及其应用[D]. 王燕.太原理工大学 2017
[2]面向盈利能力的上市运输企业融资结构研究[D]. 刘衍佚.华北水利水电大学 2017
[3]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[4]基于用户兴趣聚类的协同过滤算法的研究与实现[D]. 肖彪.重庆大学 2015
[5]用户兴趣模型及实时个性化推荐算法研究[D]. 杨晶.南京邮电大学 2013
[6]基于组合模型的医生推荐系统研究与实现[D]. 刘彭.东华大学 2013
[7]基于混合算法的个性化电子商务推荐系统研究[D]. 李丹丹.天津财经大学 2008
本文编号：3524223
【文章来源】：天津商业大学天津市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
基于人口统计学的推荐Figure2-1Recommendationsbasedondemographics基于人口统计学推荐的优点：
第二章 推荐系统及其相关技术性较低，用户的兴趣随着时间很可能会动态的发生变化，但是入很大程度上就不会改变。一些品味独特的用户可能得不到很好的推荐。内容的推荐容的推荐是通过用户以往的行为数据进行分析，为用户推荐与容上非常类似的物品。没有利用其他用户的数据进行分析，因响，也不存在数据稀疏性的问题，并且能够为少数有特殊偏好用户 A 喜欢动作和冒险类电影，那么当出现类型相同的电影 C推荐原理如图 2-2 所示。
荐的物品与用户以往选择的物品在特征上具有相似性，因此，法推荐。并且对于图片，音频和视频等非文本类信息无法处理滤推荐是人们研究及生活应用中较多的个性化推荐技术，算法思想是有相似兴趣的邻居，给目标用户推荐其邻居用户所喜爱的项目样的项目，提高新颖性和用户满意度[12]。本文将讲述协同过滤用户的协同过滤算法和基于项目的协同过滤算法。协同过滤统中，基于用户的协同过滤算法是提出比较早的算法。算法对物品的评分数据来建立用户-项目评分矩阵，之后计算系统户，将这些近邻用户的评价综合起来产生一个推荐，将其中未给用户。比如，用户 A 喜欢电影 A、C，用户 C 喜欢电影 A、为用户 A 和用户 C 相似，那么可以推荐用户 A 看没看过的电-3 所示。
【参考文献】：
期刊论文
[1]基于奇异值分解和项目属性的推荐算法[J]. 张建军,陆国生,刘征宇. 合肥工业大学学报(自然科学版). 2018(06)
[2]基于聚类的隐式用户兴趣建模[J]. 吕新波,关毅. 智能计算机与应用. 2013(01)
[3]基于知识图谱的国内外个性化推荐比较研究[J]. 武慧娟,周兰萍,辛跃. 东北电力大学学报. 2012(05)
[4]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)
[5]聚类分析在中等职业学校学生专业选择分析中的应用[J]. 王新龙. 长治学院学报. 2010(05)
[6]一种基于内容和协同过滤同构化整合的推荐系统模型[J]. 李忠俊,周启海,帅青红. 计算机科学. 2009(12)
[7]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)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平. 软件学报. 2009(02)
[9]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)
[10]中文文本过滤的信息分流机制[J]. 林鸿飞,李业丽,姚天顺. 计算机研究与发展. 2000(04)
博士论文
[1]协同过滤技术及其在推荐系统中的应用研究[D]. 冷亚军.合肥工业大学 2013
[2]基于协同过滤的个性化Web推荐[D]. 孙慧峰.北京邮电大学 2012
硕士论文
[1]基于SVD的推荐系统研究及其应用[D]. 王燕.太原理工大学 2017
[2]面向盈利能力的上市运输企业融资结构研究[D]. 刘衍佚.华北水利水电大学 2017
[3]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[4]基于用户兴趣聚类的协同过滤算法的研究与实现[D]. 肖彪.重庆大学 2015
[5]用户兴趣模型及实时个性化推荐算法研究[D]. 杨晶.南京邮电大学 2013
[6]基于组合模型的医生推荐系统研究与实现[D]. 刘彭.东华大学 2013
[7]基于混合算法的个性化电子商务推荐系统研究[D]. 李丹丹.天津财经大学 2008
本文编号：3524223
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3524223.html
最近更新
教材专著
