推荐系统中基于进化及网络传播算法的信息核优化

发布时间：2024-03-16 05:42

　　随着大数据时代的到来,信息的海量增长使人们不得不面对信息过载的困局。推荐系统作为解决信息过载的有效技术手段,一经提出就吸引了众多学者的关注。协同过滤算法作为推荐系统领域中最常用的算法之一,随着数据的快速增长逐渐暴露了其固有的一些问题。其中,可扩展性问题是阻碍其发展的主要障碍之一。为了缓解该问题,学者们提出了各种各样的方法,基于信息核的推荐方法就是其中一种较为新颖的方法。目前主要是通过启发式的方法构建信息核,相比于传统协同过滤算法在推荐质量方面存在一定损失。针对这一问题,本文提出了基于进化及网络传播算法的信息核优化方法,用于减少在线推荐时间,以缓解可扩展性问题,同时也提升了推荐质量。具体内容安排如下:(1)提出了一种基于多子种群进化算法的信息核优化方法。首先,根据用户的度提出三种约束条件将种群划分为三个子种群。然后,将每种约束条件与信息核都编码在种群个体中,通过进化迭代自动搜索出较好的度阈值。最后,利用精英保留策略保留竞争能力较强的子代个体构成下一代种群,在种群个体总数不变的情况下,竞争力强的子种群规模逐渐增大,而竞争力弱的子种群规模会逐渐缩小甚至被完全淘汰。实验结果表明,本方法能够有效...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
        1.1.1 推荐系统概述
        1.1.2 推荐系统研究进展
        1.1.3 推荐算法的分类
        1.1.4 协同过滤算法的一般框架
        1.1.5 基于信息核的协同过滤算法研究
    1.2 组合优化
        1.2.1 组合优化基本理论
        1.2.2 进化算法
    1.3 论文的工作与内容安排
第二章 基于多子种群进化算法的信息核优化
    2.1 引言
    2.2 推荐系统中常用评价指标
    2.3 基于多子种群进化算法的信息核优化
        2.3.1 算法构建动机
        2.3.2 适应度函数的选择、编码方式和选择方式
        2.3.3 算法流程
    2.4 实验结果分析
        2.4.1 实验数据集及其划分
        2.4.2 参数设置
        2.4.3 实验设计
        2.4.4 实验结果与分析
    2.5 本章小结
第三章 基于进化及聚类算法的虚拟信息核优化方法
    3.1 引言
    3.2 基于进化及聚类算法的虚拟信息核优化方法
        3.2.1 算法构建动机
        3.2.2 k均值聚类与T分布随机近邻嵌入算法
        3.2.3 虚拟信息核构建方法
        3.2.4 基于降维和聚类算法的归属度相似度计算方法
        3.2.5 基于降维和聚类构建训练集和验证集方法
        3.2.6 算法流程
    3.3 实验结果分析
        3.3.1 实验数据集及其划分
        3.3.2 参数设置
        3.3.3 实验设计
        3.3.4 实验结果与分析
    3.4 本章小结
第四章 基于聚类及网络传播算法的虚拟信息核优化
    4.1 引言
    4.2 基于聚类及网络传播算法的虚拟信息核优化
        4.2.1 基于降维和聚类算法构建虚拟用户
        4.2.2 网络传播算法
        4.2.3 基于改进的热传导算法选择虚拟信息核的过程
        4.2.4 算法流程
    4.3 实验结果分析
        4.3.1 实验数据集
        4.3.2 实验设计与参数设置
        4.3.3 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 研究结论
    5.2 研究展望
参考文献
致谢
作者简介



本文编号：3929199