融合关系挖掘与协同过滤的个性化推荐方法研究

发布时间：2023-08-15 20:08

　　近年来,人工智能、大数据等新技术迅速发展,互联网规模逐年扩大,产生了大量的互联网企业等,人们的生活方式由此发生了巨大的改变。在信息暴增的大数据时代,人们的周围充斥着各种数不胜数的信息,难以从海量的数据中精准找到自己需要的内容,信息过载是这个时期急需解决的问题。推荐系统的产生能很好的解决这一问题,但是当新物品出现时,系统中没有关于它的任何评分信息,从而其很难被推荐给用户,因此出现了冷启动问题。为解决推荐系统冷启动问题,实现新物品的个性化推荐,本文融合关系挖掘与协同过滤算法,主要内容为:(1)本文提出了融合关系挖掘与协同过滤的物品冷启动推荐算法(IMCF)。首先基于关系挖掘提取并扩展物品特征,采用关系挖掘方法提取物品间三种相互关系,扩展属性的数量,丰富目标物品的可用属性信息,增加物品间区分度,解决了实际中物品属性信息少且难以提取的问题。然后提出基于关系挖掘的近邻选取方法,改进传统方法对物品间相似度计算的不足,解决邻近物品集单一的问题。最后将关系挖掘与协同过滤算法相结合,并引入了调节参数进行结果寻优,可以同时解决新物品完全冷启动和非完全冷启动问题。(2)本文提出了基于关系挖掘与物品权重和离散...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题背景和意义
    1.2 国内外研究现状
    1.3 研究内容和结构安排
        1.3.1 研究内容
        1.3.2 论文结构安排
2 理论基础与相关技术
    2.1 推荐系统简介
        2.1.1 基于内容过滤算法
        2.1.2 协同过滤算法
        2.1.3 混合过滤算法
    2.2 协同过滤算法简介
    2.3 冷启动
    2.4 评价指标
    2.5 本章小结
3 融合关系挖掘与协同过滤的物品冷启动推荐算法
    3.1 物品属性关系特征提取
    3.2 基于关系挖掘邻近物品的提取方法
    3.3 IMCF推荐算法
    3.4 本文算法讨论
    3.5 实验与结果分析
        3.5.1 实验设置和评估指标
        3.5.2 实验结果及相关方法对比
        3.5.3 参数分析
        3.5.4 实验分析
        3.5.5 本章方法分析与讨论
    3.6 本章小结
4 基于关系挖掘与物品权重和离散程度的推荐算法
    4.1 物品权重计算方法
    4.2 IMWD相似度优化方法
    4.3 IMWD预测及推荐结果
    4.4 算法流程
    4.5 实验结果与分析
        4.5.1 IMWD参数分析
        4.5.2 IMWD的推荐精确度
        4.5.3 IMWD的推荐多样性
        4.5.4 IMWD的推荐新颖性
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3842192