基于收缩谱聚类方法的推荐算法研究

发布时间：2022-08-02 18:15

　　推荐系统因能够帮助用户根据过去的偏好寻找相关信息,现已成为克服“信息过载”问题的有力工具.推荐技术现已被广泛运用在电商、电影、新闻、视频、音乐等消费场景并获得了巨大成功.近年来,为了提高推荐的准确性,学者们提出一种具有分组特性的矩阵分解算法.然而,该方法一个不可避免的困难在于要克服特定的场景问题,即如何根据不同的推荐场景对用户和物品进行分组,如分别针对电影和新闻的推荐等.在本文中,我们提出了一种改进的谱聚类方法,用以获取用户和物品的分组信息并进而向用户作推荐.首先,利用James-Stein收缩估计量改进谱聚类的性能.然后,改进的谱聚类算法被用于对样本中的用户和物品分别进行聚类.与同类算法相比,该算法对样本分布没有作任何假设,因此当出现高维或稀疏数据时,我们的方法也可以获得合理的用户和物品组.实验表明,我们的方法能显著降低推荐的误差.同时也因该方法能解决不同推荐场景下的分组问题,使得其实用性被大大提高. 

【文章页数】：46 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景
        1.1.1 推荐系统简介
        1.1.2 谱聚类简介
    1.2 文献综述
    1.3 研究目的
    1.4 主要工作
    1.5 本文结构安排
第二章 方法介绍
    2.1 基于矩阵分解的协同过滤
    2.2 经典谱聚类
    2.3 James-Stein收缩估计
第三章 将收缩谱聚类嵌入推荐算法
    3.1 带有压缩性质的谱聚类
    3.2 带有分组的推荐系统
第四章 模拟研究和分析
    4.1 仿真数据
    4.2 实验过程
    4.3 结果分析
第五章 实际数据分析
    5.1 Movie Lens数据集
        5.1.1 数据集介绍
        5.1.2 模拟结果分析
    5.2 豆瓣电影评分数据集
        5.2.1 数据集介绍
        5.2.2 实验结果与分析
第六章 总结与展望
    6.1 本文总结
    6.2 不足与展望
参考文献
致谢



本文编号：3669006