基于用户属性与用户偏好的个性化推荐算法研究

发布时间：2024-01-15 18:31

　　目前,网络技术发展迅速,网民可以在网上查找到各种类型的物品,但是由于信息数量众多,用户无法从海量的数据里迅速找到有价值、感兴趣的东西。为了解决“信息过载”情况,推荐系统可以根据不同用户的特征和爱好为其推荐各种类型并且喜欢的物品。其被广泛服务于音乐、视频、电子商务、位置服务等各个场景中。而协同过滤是流行的推荐算法之一。冷启动、数据稀疏性问题存在于传统的协同过滤算法中;大部分用户对项目的评分跨越的时间较长,考虑到用户兴趣可能会随时间发生改变的情况,在推荐中效果不佳。本文在此基础上进一步做出研究,工作如下:(1)考虑到传统的协同过滤算法存在的用户冷启动,论文采用基于用户聚类的推荐算法进行研究,根据K-means算法对用户属性特征采取聚类。传统推荐算法根据用户对产品评分情况进行评分预测,而新注册的用户没有任何评分记录;因此,论文根据用户属性进行预测评分找到推荐列表,再对目标用户进行推荐。根据用户注册信息进行聚类,在一定水平上去缓解用户冷启动问题,即使在没有评分值的情形下也能够为目标用户给出推荐。(2)针对用户兴趣会由时间发生改变的问题,论文引入时间权重。计算用户兴趣偏好时,考虑到数据稀疏性问题...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究内容
    1.4 本文组织结构
2 主流推荐算法
    2.1 协同过滤推荐算法
        2.1.1 基于内存的协同过滤推荐算法
        2.1.2 基于模型的协同过滤推荐算法
    2.2 其它推荐算法
    2.3 协同过滤关键技术
    2.4 本章小结
3 基于用户属性与用户偏好的推荐
    3.1 基于用户属性聚类的推荐
        3.1.1 用户属性特征
        3.1.2 用户属性聚类
        3.1.3 用户属性的评分预测
    3.2 基于用户兴趣偏好的推荐
        3.2.1 用户兴趣模型
        3.2.2 时间权重因子
        3.2.3 时间加权的评分预测
    3.3 用户属性与用户偏好的协同过滤推荐
    3.4 本章小结
4 实验设计与结果分析
    4.1 实验数据集
    4.2 实验方案
        4.2.1 实验仿真
        4.2.2 实验效果度量标准
    4.3 实验结果分析
        4.3.1 用户聚类对A_CF算法的影响
        4.3.2 混合权重ω对ATW_CF算法的影响
        4.3.3 ATW_CF算法与A_CF、TW_CF算法比较
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录A：作者攻读硕士学位期间发表论文及科研情况
致谢



本文编号：3878668