基于网络结构的个性化推荐系统的研究与开发

发布时间：2017-10-16 05:20

  本文关键词：基于网络结构的个性化推荐系统的研究与开发

  更多相关文章： 复杂网络 推荐算法 协同过滤 最近邻 有向相似度

【摘要】：个性化推荐系统作为互联网时代解决信息过载问题的有效手段,通过信息过滤使用户获取有效信息。目前个性化推荐系统在实际应用中的效果并不尽如人意,遇到的问题和挑战很多,尤其是在实际用户数据的处理上,存在算法实时性不佳、数据稀疏影响推荐精度等问题。 本文在豆瓣网络数据上对传统的协同过滤推荐算法进行改进,通过网络结构的节点度值、有向网络理论分别考虑最近邻居策略和有向相似度方向的作用,对用户在图书、电影和音乐领域收藏列表进行个性化推荐。推荐的结果在准确度、多样性和新奇性三种被广泛使用在衡量推荐算法效果的指标上进行比较和分析。结果表明,相比传统协同过滤推荐算法,两种改进算法均能够保证推荐结果的多样性和新奇性,在实际应用时可以保证用户的满意体验,同时最近邻算法可有效降低算法复杂度,而有向相似度算法则具有更高的推荐准确度。 在应对信息过载问题时,作为对搜索引擎很好的补充,个性化推荐系统受到了国内外研究人员的广泛关注,本文通过豆瓣网络数据对协同过滤算法进行分析改进和比较研究,发现了一些基于社交网络数据内容和网络结构的新现象,为以后算法研究提供了社交网络上的实验数据。将来这方面的研究可以通过考虑跨条目类型推荐以及好友因素、时间因素对用户兴趣口味的影响进行进一步扩展。
【关键词】：复杂网络 推荐算法 协同过滤 最近邻 有向相似度
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第1章 绪论9-21
• 1.1 个性化推荐系统研究的背景和意义9-13
• 1.2 国内外研究现状和发展趋势13-19
• 1.2.1 国内外研究现状13-16
• 1.2.2 个性化推荐系统的发展趋势16-19
• 1.3 本文主要研究内容19-20
• 1.4 本章小结20-21
• 第2章 协同过滤推荐技术概论21-29
• 2.1 协同过滤推荐算法21-23
• 2.1.1 算法简介21
• 2.1.2 算法分类21-23
• 2.2 算法流程23-24
• 2.3 相似度计算方法24-25
• 2.4 推荐系统评价指标25-27
• 2.4.1 引言25
• 2.4.2 准确度25-26
• 2.4.3 多样性26-27
• 2.4.4 新颖性27
• 2.5 本章小结27-29
• 第3章 个性化推荐算法设计29-33
• 3.1 引言29
• 3.2 相似度定义的拓展29-31
• 3.3 构建相似度网络31-32
• 3.4 推荐得分计算32
• 3.5 本章小结32-33
• 第4章 算法执行与结果分析33-41
• 4.1 引言33
• 4.2 数据来源33-34
• 4.3 数据预处理34-35
• 4.4 算法执行35-36
• 4.5 结果分析36-40
• 4.5.1 精度和召回率36-38
• 4.5.2 多样性38-39
• 4.5.3 新颖性39-40
• 4.6 本章小结40-41
• 第5章 推荐系统平台搭建41-46
• 5.1 引言41
• 5.2 开发语言环境介绍41-42
• 5.3 软件系统功能42-45
• 5.3.1 数据预处理42-43
• 5.3.2 算法选择与参数设置43-44
• 5.3.3 算法执行与结果输出44-45
• 5.4 本章小结45-46
• 第6章 总结与展望46-48
• 6.1 研究工作总结46-47
• 6.2 未来研究展望47-48
• 参考文献48-53
• 致谢53-54
• 攻读学位期间参加的科研项目和成果54

【参考文献】

中国期刊全文数据库 前3条

1 刘建国;周涛;郭强;汪秉宏;;个性化推荐系统评价方法综述[J];复杂系统与复杂性科学;2009年03期

2 张亮;柏林森;周涛;;基于跨电商行为的交叉推荐算法[J];电子科技大学学报;2013年01期

3 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期

，

本文编号：1040845