基于局部优化奇异值分解和聚类的协同过滤算法研究

发布时间：2023-05-03 11:36

　　目前,人类正处于一个信息技术和互联网高速发展的信息过载时代。作为一种有效缓解信息过载问题的工具,推荐系统个性化地引导用户选择满足其需求的项目。推荐系统能够将项目精准地匹配给对应的用户,主要采用对用户的行为数据进行计算,从而获得用户的偏好需求。推荐系统通过有效地将用户需求与最优产品进行映射,在提高用户获取、保留和满意度方面发挥了重要作用。推荐算法决定了推荐系统的质量,优秀的推荐算法可以减少运算时间和内存消耗,并将符合用户偏好的项目推荐给目标用户。因此,推荐系统具有广泛的应用价值,对其核心推荐算法的研究具有意义。其中,最广泛使用的推荐算法是协同过滤算法。协同过滤算法的推荐结果丰富并且易于发现用户的兴趣偏好,但存在严重的数据稀疏、扩展性差等问题。数据稀疏问题导致在计算用户相似性时准确率较低,从而使得算法的推荐准确性下降。针对传统协同过滤方法数据稀疏和扩展性差的不足,本文提出基于局部优化奇异值分解和聚类的协同过滤算法。该算法采用局部优化的奇异值分解和K-Means++聚类对用户-项目评分矩阵中的相似用户进行聚类并降低维度,利用基于巴氏系数的相似性计算方法来减少数据稀疏对相似性计算的影响。本文主...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的目的及意义
    1.2 国内外研究现状
        1.2.1 针对提高推荐算法准确性的研究现状
        1.2.2 针对缓解协同过滤方法所面临问题的研究现状
        1.2.3 针对相似性度量方法的研究现状
    1.3 课题的主要研究内容
第2章 推荐算法相关理论基础
    2.1 推荐系统
    2.2 推荐算法
        2.2.1 基于内容的推荐算法
        2.2.2 协同过滤推荐算法
        2.2.3 推荐算法优缺点对比
    2.3 推荐算法评估标准
        2.3.1 预测精度度量
        2.3.2 分类误差度量
    2.4 本章小结
第3章 基于巴氏系数相似性度量的协同过滤
    3.1 协同过滤中的相似性度量
    3.2 巴氏系数
    3.3 基于巴氏系数改进相似性度量的协同过滤
    3.4 实验结果及分析
        3.4.1 数据集的选取
        3.4.2 评价标准
        3.4.3 实验结果及分析
    3.5 本章小结
第4章 基于局部优化的奇异值分解推荐算法
    4.1 奇异值分解方法
    4.2 局部优化的SVD推荐方法
    4.3 实验结果及分析
        4.3.1 数据集的选取
        4.3.2 评价标准
        4.3.3 实验结果及分析
    4.4 本章小结
第5章 基于局部优化SVD和 K-Means++聚类的协同过滤算法
    5.1 K-Means++聚类
    5.2 基于局部优化SVD和 K-Means++聚类的协同过滤算法
    5.3 实验结果及分析
        5.3.1 实验数据集
        5.3.2 评估标准
        5.3.3 参数选取
        5.3.4 实验结果及分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢



本文编号：3806715