基于融合时间因子和项目聚类的概率矩阵分解推荐算法研究

发布时间：2024-03-01 18:36

　　随着互联网云计算的崛起,用户已不再为缺少数据资源而发愁,取而代之的是如何从众多数据资源中找到符合自己兴趣的,用户面对巨大的数据量常常显得束手无策。因此,推荐系统应运而生,既可为用户个性化定制又节约了用户时间的推荐系统成为一种迫切需要。个性化推荐系统不仅帮助了在海量数据中感到困惑的用户,把用户从不能满足自己真正需求的困境中拉出来,还提高了对信息的利用率。推荐系统已经在很多领域成功应用,比如电子商务、视频网站、各大门户网站等。由此可见,对推荐算法进行改进与创新具有十分重大的社会价值和现实意义。基于模型的协同过滤算法是现如今用途最广泛的推荐算法之一,此外,概率矩阵分解模型具有良好的推荐效果。它通过学习用户或项目的潜在特征,把高维矩阵分解成低维的近似矩阵来进行推荐,能够有效处理海量数据。现有的协同过滤推荐算法都存在一些缺陷,如数据太过稀疏以及忽略了用户兴趣随时间的变化等问题。针对以上推荐算法存在的不足,本文提出了一种基于融合时间因子和项目聚类的概率矩阵分解推荐算法,利用时间衰减函数挖掘用户间潜在的特征关系并寻找与目标用户最相似的用户集合,利用项目聚类的方法找到项目间潜在的特征关系并找出与目标项...

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图2.1推荐系统结构图

第2章推荐系统概述第2章推荐系统概述本章介绍推荐系统的相关知识，对推荐系统的模型结构以及几种常用的推荐算法进行了详细介绍，并对几种推荐算法的优缺点进行分析。2.1推荐系统结构推荐系统的结构[19]主要包括三个阶段，分别是数据输入阶段、推荐算法运行阶段、推荐结果输出阶....

图2.2推荐算法分类

分别是数据输入阶段、推荐算法运行阶段、推荐结果输出阶段。详细结构如图2.1所示。图2.1推荐系统结构图2.2推荐算法推荐算法主要分为协同过滤推荐、基于内容推荐、基于知识推荐[20]、以及混合推荐算法。推荐算法分类如图2.2所示。

图2.3基于用户的协同过滤算法流程图

用户a和用户b的相似度§()=()(√()2√用户a对项目p的评分，符号ar中用户喜欢的、并且目标用户未p，用户a对它可能打出的评分....

图2.4基于用户的协同过滤流程图

第2章推荐系统概述是习惯给差评，改进后的修正余下：§()=()(√()2√u对项目评分的平均分。集合为目标用户生成最终的推荐=(....

本文编号：3915654