基于粒子群优化的推荐算法及应用研究
发布时间：2021-11-28 23:17
“62.5万部优酷、土豆视频被观看”、“App Store上已有51,000个app被下载”,这些数字指标表明我们进入了海量数据时代。大幅增长的数据带来无限商业发展机会的同时,也使得“信息过载”愈演愈烈。在海量信息和数据中挖掘对用户有价值的信息,成为各大主流平台应用的主打功能。推荐系统正是具备此功能的有效工具,其中起关键作用的就是推荐算法。目前,推荐算法及系统己经在众多电子商务网站、视频网站以及个性化广告等领域得到了广泛的关注和应用,并带来了巨大的经济利益,但仍然面临着数据稀疏性、精确性与多样性难以调和等诸多难题和挑战。粒子群优化算法,又称微粒群算法,是近些年来群体智能计算领域发展起来的一种生物启发式优化算法。一易实现,二收敛快,三预设参数少,粒子群算法在实际应用方面中展示了其适用性和高效性。本文首先分析了粒子群优化算法的基本原理和特点,总结了其存在的不足,结合模拟退火思想,提出了一种融合模拟退火的粒子群算法（SA-PSO）;其次研究了半监督聚类算法的思想和原理,并提出了一种基于SA-PSO的半监督聚类算法;最后将改进聚类算法合理应用到个性化推荐上,提出了一种改进的推荐算法。在此基础上...
【文章来源】：中央民族大学北京市 211工程院校 985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
推荐算法分类
从式子（２－６）和式子（２－７）可以看出，粒子的移动速度向量取决于三方面：??（１）粒子当前的速度（２）自身经历的最佳位置ｐＺ？ｅｓｔｆｄ；?（３）群体经历的最??佳位置ｃｏ、ｒ）ｉ、ｒ｜２分别表７Ｋ三部分所占的权重。如图２－２所示，二种移??动方向的加权求和示意图。式（２－６）的第一项代表粒子保持先前速度的自身惯??性，第二项代表向自身历史最优位置靠拢，第三项代表粒子间信息共享，向全局??最优值靠拢的趋势。在整个运行过程中，全局和本地搜索之间的平衡对于演化算??法的成功至关重要。??、最优解ｙ??ｎ，?／?＝??／＇?运动向量??自身酿??屮?＇最优解ｙ１??图２－２粒子移动方向示意图??２．３．２全局模式与局部模式??粒子群算法分两种模式：全局模式（ＧＰＳＯ）和局部模式（ＬＰＳＯ）。??全局模式（也称Ｇｂｅｓｌ模型）是指粒子的运动依赖于粒子群中所有粒子，粒??子ｉ速度和位置的更新受自身极值和种群全局极值灿ｅｓＡ影响，上面式??（２－６）和（２－７）描述的就是全局模式ＰＳＯ：而局部模式（也称Ｌｂｅｓｌ模型）是指??粒子追随的两个极值，一个是自身极值，另…个不苒是全局极值??而是邻居粒子中的局部极值ｐｂｅｓ４ｄ。局部模式下，每个粒子不再记录＿ｇｂｅｓｔｆｄ，??ＩＩ??
使得聚类算法在迭代速度上有一定程度的提高。??ＳＡＰＳＯＳＳＣ算法的框架如图３－１所示。??ｉ￣￣￣１?｜￣；??雜无标记数据???ｉ???使闱距离公式度ｓ??计筲已锻定的Ｋ个类中心?计筲无标记数据与类中心??的质心?点的最小矩离???????分别指定有标记数据和??无标记数捱兩占权重??????重新定义目标函数???ｘ?［???聚类算法???ｖ???Ｃ?＾?）??图３－丨ＳＡＰＳＯＳＳＣ算法设计流程??根据己经定义好的粒子群编码，每个粒子代表一个聚类中心簇，包含所有的??聚类中心。??基于ＳＡ－ＰＳＯ的半监督聚类算法流程如下：??算法：ＳＡＰＳＯＳＳＣ??输入：有标签数据，无标签数据，聚类数目Ｍ，粒子群数量ｓ，最大迭代次数??输出：聚类结果，目标函数值??１）
【参考文献】：
期刊论文
[1]多维数据判别分析的非参核密度算法研究[J]. 石凯,聂富强,孙峰. 计算机工程与应用. 2019(06)
[2]基于粒子群优化算法的协同过滤推荐并行化研究[J]. 游思晴,周丽,赵东杰,薛菲. 北京邮电大学学报. 2018(06)
[3]基于聚类和随机森林的协同过滤推荐算法[J]. 杨兴雨,李华平,张宇波. 计算机工程与应用. 2018(16)
[4]基于主动学习先验的半监督K-means聚类算法[J]. 柴变芳,吕峰,李文斌,王垚. 计算机应用. 2018(11)
[5]基于标签聚类和兴趣划分的协同过滤推荐算法[J]. 朱东郡,李敬兆,谭大禹,杨大禹. 计算机工程. 2017(11)
[6]智能推荐算法研究综述[J]. 张松兰. 长春师范大学学报. 2017(06)
[7]基于云填充和混合相似性的协同过滤推荐算法的研究[J]. 成韵姿,陈曦,傅明. 计算技术与自动化. 2016(04)
[8]基于最近邻居聚类的协同过滤推荐算法[J]. 魏慧娟,戴牡红,宁勇余. 中国科学技术大学学报. 2016(09)
[9]一种自适应的Tri-Training半监督算法[J]. 彭雅琴,宫宁生. 计算机系统应用. 2016(08)
[10]基于用户影响力和个性的协同过滤推荐算法[J]. 周国强,金礼仁,张文聪. 计算机应用. 2016(S1)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
硕士论文
[1]基于半监督学习的推荐算法研究[D]. 高奇.长春理工大学 2018
[2]个性化混合推荐算法及应用研究[D]. 陈恭泳.中央民族大学 2016
[3]基于J2EE的跨境电商平台的设计与实现[D]. 蔡振凡.吉林大学 2016
本文编号：3525347
【文章来源】：中央民族大学北京市 211工程院校 985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
推荐算法分类
从式子（２－６）和式子（２－７）可以看出，粒子的移动速度向量取决于三方面：??（１）粒子当前的速度（２）自身经历的最佳位置ｐＺ？ｅｓｔｆｄ；?（３）群体经历的最??佳位置ｃｏ、ｒ）ｉ、ｒ｜２分别表７Ｋ三部分所占的权重。如图２－２所示，二种移??动方向的加权求和示意图。式（２－６）的第一项代表粒子保持先前速度的自身惯??性，第二项代表向自身历史最优位置靠拢，第三项代表粒子间信息共享，向全局??最优值靠拢的趋势。在整个运行过程中，全局和本地搜索之间的平衡对于演化算??法的成功至关重要。??、最优解ｙ??ｎ，?／?＝??／＇?运动向量??自身酿??屮?＇最优解ｙ１??图２－２粒子移动方向示意图??２．３．２全局模式与局部模式??粒子群算法分两种模式：全局模式（ＧＰＳＯ）和局部模式（ＬＰＳＯ）。??全局模式（也称Ｇｂｅｓｌ模型）是指粒子的运动依赖于粒子群中所有粒子，粒??子ｉ速度和位置的更新受自身极值和种群全局极值灿ｅｓＡ影响，上面式??（２－６）和（２－７）描述的就是全局模式ＰＳＯ：而局部模式（也称Ｌｂｅｓｌ模型）是指??粒子追随的两个极值，一个是自身极值，另…个不苒是全局极值??而是邻居粒子中的局部极值ｐｂｅｓ４ｄ。局部模式下，每个粒子不再记录＿ｇｂｅｓｔｆｄ，??ＩＩ??
使得聚类算法在迭代速度上有一定程度的提高。??ＳＡＰＳＯＳＳＣ算法的框架如图３－１所示。??ｉ￣￣￣１?｜￣；??雜无标记数据???ｉ???使闱距离公式度ｓ??计筲已锻定的Ｋ个类中心?计筲无标记数据与类中心??的质心?点的最小矩离???????分别指定有标记数据和??无标记数捱兩占权重??????重新定义目标函数???ｘ?［???聚类算法???ｖ???Ｃ?＾?）??图３－丨ＳＡＰＳＯＳＳＣ算法设计流程??根据己经定义好的粒子群编码，每个粒子代表一个聚类中心簇，包含所有的??聚类中心。??基于ＳＡ－ＰＳＯ的半监督聚类算法流程如下：??算法：ＳＡＰＳＯＳＳＣ??输入：有标签数据，无标签数据，聚类数目Ｍ，粒子群数量ｓ，最大迭代次数??输出：聚类结果，目标函数值??１）
【参考文献】：
期刊论文
[1]多维数据判别分析的非参核密度算法研究[J]. 石凯,聂富强,孙峰. 计算机工程与应用. 2019(06)
[2]基于粒子群优化算法的协同过滤推荐并行化研究[J]. 游思晴,周丽,赵东杰,薛菲. 北京邮电大学学报. 2018(06)
[3]基于聚类和随机森林的协同过滤推荐算法[J]. 杨兴雨,李华平,张宇波. 计算机工程与应用. 2018(16)
[4]基于主动学习先验的半监督K-means聚类算法[J]. 柴变芳,吕峰,李文斌,王垚. 计算机应用. 2018(11)
[5]基于标签聚类和兴趣划分的协同过滤推荐算法[J]. 朱东郡,李敬兆,谭大禹,杨大禹. 计算机工程. 2017(11)
[6]智能推荐算法研究综述[J]. 张松兰. 长春师范大学学报. 2017(06)
[7]基于云填充和混合相似性的协同过滤推荐算法的研究[J]. 成韵姿,陈曦,傅明. 计算技术与自动化. 2016(04)
[8]基于最近邻居聚类的协同过滤推荐算法[J]. 魏慧娟,戴牡红,宁勇余. 中国科学技术大学学报. 2016(09)
[9]一种自适应的Tri-Training半监督算法[J]. 彭雅琴,宫宁生. 计算机系统应用. 2016(08)
[10]基于用户影响力和个性的协同过滤推荐算法[J]. 周国强,金礼仁,张文聪. 计算机应用. 2016(S1)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
硕士论文
[1]基于半监督学习的推荐算法研究[D]. 高奇.长春理工大学 2018
[2]个性化混合推荐算法及应用研究[D]. 陈恭泳.中央民族大学 2016
[3]基于J2EE的跨境电商平台的设计与实现[D]. 蔡振凡.吉林大学 2016
本文编号：3525347
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3525347.html
最近更新
教材专著
