基于协同过滤的推荐系统算法研究

发布时间：2023-04-07 03:30

　　随着互联网技术的高速发展,形式多样的互联网信息服务和应用数量迅猛增长,信息技术应用迅速渗透到人们生活的方方面面,例如电商网站、知识学习网站等。这使得人们在上网时不得不面对海量的信息,从其中过滤出所需的信息变得非常困难,进而形成了信息过载问题。推荐系统作为一种能为用户提供个性化信息推荐服务的技术,成为学术界和工业界解决该问题的首要方案。经过近些年的研究和应用,推荐系统已经有了长足的发展,但是在目前网络信息与资源进一步增长的背景下,传统的推荐技术的一些问题逐渐暴露出来,其中较为典型的有稀疏性、冷启动、推荐多样性等,这些问题从各个方面影响着推荐系统的性能。本文重点研究了推荐系统的多样性和稀疏性,分析了两种问题对于推荐系统性能的具体影响途径,并通过对基于模型的协同过滤推荐算法进行研究,以该算法为基础提出了两种优化的推荐方法,改进推荐效果。本文主要针对以下内容进行了研究:(1)多样的推荐列表有助于提升用户满意度。本文针对推荐多样性进行研究,分析了推荐列表多样性对于推荐系统的必要性,介绍了推荐多样性的分类。针对推荐列表的个体多样性进行优化,通过对隐语义向量进行方差计算,得到方差最小化正则项,并把该...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 推荐系统研究的历史和现状
    1.3 研究内容
    1.4 论文的组织结构
第二章 推荐系统相关技术概述
    2.1 个性化推荐系统
    2.2 协同过滤推荐算法
    2.3 基于矩阵分解的推荐
    2.4 概率矩阵分解算法
    2.5 推荐算法的评测指标
    2.6 本章小结
第三章 基于个体多样性的协同过滤推荐方法
    3.1 引言
    3.2 多样性相关技术研究
        3.2.1 推荐多样性的分类
        3.2.2 偏置项与时序多样性
    3.3 基于个体多样性的矩阵分解推荐方法
        3.3.1 算法基础
        3.3.2 基于个体多样性的矩阵分解推荐算法
        3.3.3 学习算法
    3.4 实验结果及分析
        3.4.1 实验数据集描述
        3.4.2 评价指标
        3.4.3 实验结果
    3.5 本章小结
第四章 基于k-max pooling的卷积矩阵分解推荐算法
    4.1 引言
    4.2 算法基础
    4.3 k-max pooling卷积矩阵分解算法
        4.3.1 额外信息源
        4.3.2 用k-max pooling CNN解决稀疏性问题
    4.4 实验结果及分析
        4.4.1 实验设置
        4.4.2 评价指标
        4.4.3 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 未来展望
参考文献
发表论文和科研情况说明
致谢



本文编号：3784999