协同过滤算法在个性化推荐系统中的研究

发布时间：2017-03-29 08:06

  本文关键词：协同过滤算法在个性化推荐系统中的研究，由笔耕文化传播整理发布。

【摘要】：随着互联网和电子商务的发展,信息过载现象越发的严重,导致人们在寻找自己所需的信息时要耗费越来越多的时间与精力,有时候还可能迷失在众多信息之中,忘记自己真正需要的信息是什么。虽然搜索引擎可以在一定程度上帮助用户过滤信息,但是这仅仅是针对那些明确知道自己所需的信息或者商品是什么的用户,对于那些需求比较模糊的用户其帮助程度就可能就不那么明显了。在这种情况下,个性化推荐系统就应运而生了。因为它不仅可以帮助人们过滤信息或物品,而且可以主动为用户推荐他们可能感兴趣的信息或物品。但随着用户数量和信息种类的快速增加,当前的个性化推荐系统也面临着一些挑战。本文重点就是针对当前个性化推荐系统中的协同过滤算法的冷启动和稀疏性进行相应的优化改进。首先,对个性化推荐系统的相关基本理论知识进行详细的介绍和整理。然后,对协同过滤算法的基本思想与其常用的算法进行分析与总结,随后对当前协同过滤算法存在不足进行整理,进一步分析其产生的原因。根据分析的结果,提出一种添加项目属性类别的协同过滤算法,该算法对其传统的相似性度量方法了进行优化,即在计算项目之间的相似度时增加了一个项目属性类别的参数。这样就弥补了传统的度量方法在计算项目之间的相似性时,把不同类别的项目之间进行比较,从而导致其项目的最近邻居不准确。该算法的基本思想是先利用项目自身属性对其进行分类,然后根据分类的情况在类内进行其相似性的计算,计算是采用改进后的公式,即添加项目属性参数的公式来进行项目之间的相似性计算,其次根据其相似性的计算结果生成目标项目的最近邻居集,然后根据其最近邻居在类内对其评分进行预测,把评分较高的前N项作为Top-N输出。最后,利用Movielens网站提供的开源数据包对改进后的算法进行相关的验证,选取平均绝对误差(MAE)作为衡量其算法准确度的标准。通过对比改进前后算法的MAE,可以直观的看出改进后的算法在一定程度上降低了冷启动和稀疏性对推荐算法精确度的影响,提高了推荐系统的推荐效果。
【关键词】：个性化推荐系统 协同过滤算法 项目属性 MAE
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 国外研究现状11-13
• 1.2.2 国内研究现状13-14
• 1.3 论文主要的研究内容14
• 1.4 论文的组织结构14-16
• 2 个性化推荐系统及其核心技术16-28
• 2.1 个性化推荐系统概述16-18
• 2.1.1 个性化推荐系统的概念16
• 2.1.2 个性化推荐系统分类16-17
• 2.1.3 个性化推荐系统的意义17-18
• 2.2 个性化推荐系统构成18-20
• 2.2.1 输入模块18-20
• 2.2.2 输出模块20
• 2.2.3 推荐系统算法模块20
• 2.3 个性化推荐的核心技术20-26
• 2.3.1 基于内容推荐21-22
• 2.3.2 贝叶斯网络22-23
• 2.3.3 关联规则23-24
• 2.3.4 聚类24-25
• 2.3.5 协同过滤25-26
• 2.4 个性化推荐系统的评价标准26-27
• 2.4.1 精确度26
• 2.4.2 用户满意程度26-27
• 2.5 本章小结27-28
• 3 协同过滤算法的研究28-38
• 3.1 协同过滤理论概述28-30
• 3.1.1 协同过滤的基本思想28
• 3.1.2 协同过滤的实现28-30
• 3.2 常用的协同过滤算法30-35
• 3.3.1 基于内存的协同过滤算法31-33
• 3.3.2 基于模型的协同过滤33-34
• 3.3.3 混合推荐算法34-35
• 3.3 协同过滤算法存在的问题35-36
• 3.3.1 数据稀疏性(Sparsity)问题35-36
• 3.3.2 冷启动(Cold-Start)36
• 3.4 本章小结36-38
• 4 基于项目的协同过滤算法优化38-49
• 4.1 基于项目的协同过滤算法38-42
• 4.1.1 基于项目的协同过滤算法实现过程38-40
• 4.1.2 基于项目的协同过滤算法的优化思路40-42
• 4.2 基于项目的协同过滤算法的优化42-45
• 4.2.1 相似性度量方法的优化42-44
• 4.2.2 产生推荐44-45
• 4.3 优化算法的实现45-48
• 4.3.1 填补未评分项目的评分46-47
• 4.3.2 改进基于项目的算法的实现47-48
• 4.4 本章小结48-49
• 5 算法验证与分析49-56
• 5.1 数据集49-51
• 5.2 实验标准及方案51-53
• 5.2.1 实验标准51
• 5.2.2 实验方案51-53
• 5.3 实验结果及分析53-54
• 5.4 本章小结54-56
• 6 总结与展望56-58
• 6.1 总结56-57
• 6.2 展望57-58
• 致谢58-59
• 参考文献59-62
• 攻读学位期间的研究成果62

【相似文献】

中国期刊全文数据库 前10条

1 张亚伟;苏一丹;;基于移动Agent的分布式个性化推荐系统[J];微计算机信息;2008年09期

2 许良;汪克夷;;基于移动Agent的个性化推荐系统的研究[J];消费导刊;2008年09期

3 刘洋;;面向电子商务网站的个性化推荐系统[J];中小企业管理与科技(上旬刊);2012年01期

4 麻旺勇;叶跃苗;;基于位置感知的个性化推荐系统的设计与实现[J];福建电脑;2014年01期

5 余建芳;;个性化推荐系统在民族院校图书馆信息服务中的设计探析——以甘肃民族师范学院图书馆为例[J];福建电脑;2014年01期

6 杨海涛;石磊;卫琳;;一个基于搜索结果的个性化推荐系统[J];计算机工程与应用;2006年32期

7 姜有辉;高琳琦;;个性化推荐系统中顾客信息的隐式采集方法研究[J];现代情报;2006年11期

8 江秀佳;何源光;;国内电子商务个性化推荐系统改进研究[J];图书情报工作;2009年16期

9 杨静;;电子商务个性化推荐系统的构建[J];现代计算机(专业版);2012年28期

10 顾丽敏;;个性化推荐系统研究[J];无线互联科技;2013年08期

中国重要会议论文全文数据库 前1条

1 黎陨;詹晓红;孙莉;;基于频繁遍历路径的个性化推荐系统[A];第二十届全国数据库学术会议论文集（技术报告篇）[C];2003年

中国重要报纸全文数据库 前1条

1 国防科技大学计算机学院 应晓敏 窦文华;古老概念的凤凰涅i肹N];计算机世界;2003年

中国硕士学位论文全文数据库 前10条

1 倪鹏飞;基于顾客满意度的电子商务个性化推荐系统评价研究[D];河北大学;2015年

2 贾忠涛;电影个性化推荐系统的研究与实现[D];西南科技大学;2015年

3 何俊;基于社交网络的个性化推荐系统的设计与实现[D];贵州大学;2015年

4 肖巧龙;基于用户隐性行为的个性化推荐系统的设计及研究[D];南京财经大学;2014年

5 于淼;基于LBS的个性化推荐系统的研究与设计[D];北京邮电大学;2015年

6 汪亭廷;美味网电子商务个性化推荐系统的设计与实现[D];电子科技大学;2014年

7 陈博文;融合信任网络的个性化推荐系统研究[D];上海交通大学;2015年

8 温瑞龙;基于社交网络的个性化推荐系统研究与实现[D];浙江工业大学;2015年

9 刘旭;基于情感权重的个性化推荐系统[D];南京邮电大学;2015年

10 许植尧;基于用户情境的个性化推荐系统设计与实现[D];内蒙古大学;2016年

  本文关键词：协同过滤算法在个性化推荐系统中的研究，由笔耕文化传播整理发布。

，

本文编号：273982