面向稳定性问题的SVD++线性回归推荐算法研究

发布时间：2023-09-24 17:04

　　近年来,个性化推荐系统技术在电子商务,广告销售等互联网行业中应用极其广泛。推荐系统在没有明确的用户需求环境下,仅通过分析用户行为就能为用户的兴趣进行建模,提供千人千面的信息和产品。本文针对基于传统协同过滤算法存在的扩展性弱、数据稀疏和推荐准确率低等问题,在第三章提出一种改进模糊划分聚类的协同过滤推荐算法。在传统基于修正余弦相似度计算方法上,引入时间差(timediff-item)因子,热门产品(popular-item)权重因子以及冷门产品(Nonfashion-item)权重因子以改善相似度计算结果,避免人为客观因素造成相似度计算结果远偏离真实情况;同时引入改进模糊划分的GIFP-FCM算法,将属性特征相似的产品聚成一类,构造索引矩阵,同索引间根据产品间的相似度寻找产品最近邻居构成推荐,来降低计算复杂度。为测试GIFP-CCF+算法的有效性,在Netflix数据集和MovieLens数据集上通过与Kmeans-CF、FCM-CF和GIFP-CCF推荐算法进行仿真对比实验,证明了GIFP-CCF+算法在推荐结果和推荐精度上具有一定的优越性。GIFP-CCF+推荐算法存在容易受到聚类簇数...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 背景与意义
    1.2 国内外研究现状
    1.3 论文组织结构
第二章 相关理论及技术综述
    2.1 推荐系统
        2.1.1 推荐系统架构
        2.1.2 推荐系统属性
    2.2 协同过滤算法
        2.2.1 算法基本流程
        2.2.2 协同过滤算法分类
    2.3 数据预处理
        2.3.1 相似性度量方法
        2.3.2 采样
        2.3.3 降维
        2.3.4 去噪
    2.4 推荐算法相关问题
        2.4.1 扩展性问题研究
        2.4.2 数据稀疏性问题研究
        2.4.3 冷启动问题研究
        2.4.4 稳定性问题研究
    2.5 本章小节
第三章 改进模糊划分聚类的协同过滤推荐算法
    3.1 改进相似度计算方法
        3.1.1 popular-item权重因子
        3.1.2 timediff-item权重因子
        3.1.3 Nonfashion-item权重因子
        3.1.4 改进相似度item-SIMi,j
    3.2 聚类操作分析
    3.3 算法描述
    3.4 实验过程及结果
    3.5 本章小结
第四章 引入时间效应的SVD++线性回归推荐算法
    4.1 SVD++模型
    4.2 线性回归模型
    4.3 引入时间效应的SVD++线性回归推荐算法
        4.3.1 timeSVD++LR推荐算法原理
        4.3.2 算法描述
        4.3.3 实验过程及结果
    4.4 本章小结
结论
参考文献
攻硕士学位期间所发表的论文
致谢



本文编号：3848404