基于产品时效的协同过滤算法研究与应用

发布时间：2024-12-21 20:24

　　互联网技术的发展和各种信息终端的不断更新换代,促进了大量信息的产生和传播,用户想要从大量数据中找出对自己有用的内容无异于大海捞针。因此很多电子商务网站使用了针对用户的个性化推荐技术:通过相应的推荐算法,从用户的历史行为数据中计算出用户的偏好,并向他们推荐可能喜欢的产品。虽然推荐算法能够有效地减少用户检索信息的时间,并提高用户的检索效率,但是许多传统的推荐算法仍然存在缺陷,除了冷启动、样本稀疏等问题以外,很多推荐算法都没有考虑到时间效应的重要性。因此本文将深入研究时间效应对产品热度的影响,综合产品热度的周期特性,以及用户兴趣随时间变化而变化的特性,对原有算法提出改进。本文的主要工作内容可以分为以下几点:(1)首先,本文综述了各种传统的推荐算法,包括基于内容、基于知识以及基于关联规则的推荐算法等。通过对各种算法的分析来比较出它们各自的不足,然后提出动态推荐的概念,引出时间效应对推荐算法精确度的影响。(2)由于产品的热度会随着时间变化而周期性变化,本文对传统的余弦相似度算法进行了改进。通过对产品时间效应的计算,优化了产品的相似度算法,同时考虑到部分产品的热度受时间变化的影响不大,本文把改进部分...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图1.1 协同过滤算法的分类

Breese和Heckerman[14]认为,协同过滤推荐算法主要可分为两大类：基于内存（Memory-based）的协同过滤算法和基于模型（Model-based）的协同过滤算法。基于内存的协同过滤算法又可以分为基于用户（User-based）的协同过滤算法和基于物品（Item....

图3.1 曼哈顿距离示意图

给定图中两黑点,只能向上、下、左、右四个方向移动,则图中的最短移动距离就是曼哈顿距离。比如说,从左下方的黑点移动到右上方,为了保证没有多余的移动步骤,就需要每一步都是向右或者向上移动的,并且每次移动都能够减少当前位置和终点的距离。图中1号线所标出的就是两点之间的曼哈顿距离,而同时....

图3.2不同N值的TUCS算法准确率在不同β下的值

在本文的实验中,使用了Pearson相关系数、谷本系数（Tanimoto）相似度算法与本文提出的TUCS算法对比。最终实验结果如下列图片所示：图3.3不同N值的TUCS算法召回率在不同下的值

图3.3 不同N值的TUCS算法召回率在不同β下的值

图3.2不同N值的TUCS算法准确率在不同下的值图3.4三种算法召回率在不同N下的值

本文编号：4018856