基于粗糙集和协同过滤的上下文感知推荐方法研究

发布时间：2017-04-06 10:11

  本文关键词：基于粗糙集和协同过滤的上下文感知推荐方法研究，由笔耕文化传播整理发布。

【摘要】：随着近几年互联网与信息技术的发展,互联网的规模得到了巨大的提升,它向用户提供的信息也正在急剧增加,我们正在面对一个“大数据”的时代。在这海量的数据中,如何获取最为符合个人需求的资源,是一个相当突出的问题。现有的传统搜索引擎与门户站点,能够在一定程度上缓解这一问题,然而它们仍不能完全满足人们的要求。当下,推荐系统作为解决海量数据给人们带来的这一“信息过载”问题的有效方案,得到了学术与工业界的广泛关注,在实际应用中也已经取得了大量成果。上下文信息对推荐系统具有重要的作用,上下文感知推荐系统把上下文信息加入推荐过程中,从而在保留了“普适计算”的特点的同时,获得了“个性化”的优势,与传统推荐系统相比之下具有更高的推荐精确度和用户满意度,其研究意义与实用价值相当高。在现有的上下文感知推荐系统中,不同的上下文维度对推荐结果的影响通常被认为是拥有相同的权重;然而,在实际应用中,不同的上下文维度(如位置、同伴、时间等)对用户的价值往往大不相同。如何计算这些上下文对推荐结果的影响程度,并把这些影响加入到推荐结果的计算过程中,以提高推荐系统的预测精度和推荐质量,是一个非常有价值的研究课题。针对这一问题,本文完成的工作如下:(1)对上下文感知推荐系统进行了研究,比较了它与传统推荐系统的异同,并分析了上下文感知推荐的整个流程。(2)根据粗糙集理论的重要度定义,提出了一种上下文维度的约简算法。通过计算上下文属性的重要度,约简对推荐结果没有影响的上下文维度,从而提高推荐精度和效率。(3)将约简后的上下文信息加入到协同过滤的推荐算法中,设计了基于粗糙集的上下文感知推荐算法,构建了包含上下文信息的用户相似度计算方式,并根据用户之间的相似度实现了上下文感知协同过滤推荐。(4)对比了基于粗糙集的上下文感知推荐算法与现有的上下文感知推荐算法,并进行了仿真对比实验。实验结果证明,基于粗糙集的上下文感知推荐算法对提升推荐系统的推荐精度具有显著的效果,是一种有效的算法。
【关键词】：上下文感知推荐系统 协同过滤 粗糙集理论 上下文维度约简
【学位授予单位】：北京工业大学
【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
• 第1章 绪论10-14
• 1.1 研究背景与研究意义10
• 1.2 相关领域的研究现状和进展分析10-11
• 1.3 课题的主要研究内容11-12
• 1.4 论文的组织结构12-14
• 第2章 上下文感知推荐技术14-24
• 2.1 概述14-15
• 2.1.1 传统推荐技术14-15
• 2.1.2 上下文感知推荐技术15
• 2.2 上下文感知计算15-17
• 2.2.1 上下文定义15-16
• 2.2.2 上下文获取16-17
• 2.2.3 上下文建模17
• 2.3 偏好提取技术17-19
• 2.3.1 定量分析18-19
• 2.3.2 定性分析19
• 2.4 推荐生成技术19-21
• 2.4.1 依据推荐生成算法的分类19-20
• 2.4.2 依据应用上下文信息的方式的划分方法20-21
• 2.5 效果评估21-22
• 2.5.1 数据集21
• 2.5.2 评价指标21-22
• 2.6 本章小结22-24
• 第3章 协同过滤推荐算法24-30
• 3.1 概述24-25
• 3.2 相似性计算方法25-26
• 3.3 最近邻的选择策略26-27
• 3.3.1 K近邻法26-27
• 3.3.2 阈值法27
• 3.4 评价值的预测27-28
• 3.4.1 基于用户的协同过滤（User-Based Collaborative Filtering，UBCF）推荐算法27-28
• 3.4.2 基于项目的协同过滤（Item-Based Collaborative Filtering，，IBCF）推荐算法28
• 3.5 本章小结28-30
• 第4章 粗糙集理论30-36
• 4.1 粗糙集的基本概念30-31
• 4.1.1 知识与分类30
• 4.1.2 粗糙集的基本定义30-31
• 4.2 粗糙集的数字特征31-34
• 4.2.1 重要度和依赖度31-32
• 4.2.2 知识的约简和核32-34
• 4.3 决策表的知识约简34-35
• 4.3.1 决策表的基本定义34-35
• 4.3.2 决策表的约简35
• 4.4 本章小结35-36
• 第5章 基于粗糙集和协同过滤的上下文感知推荐算法36-44
• 5.1 上下文感知协同过滤的形式化定义37-38
• 5.2 项目的属性约简38-41
• 5.3 相似度的衡量41-42
• 5.3.1 用户的相似度41
• 5.3.2 带有偏好系数的用户相似度41-42
• 5.4 基于用户的上下文感知协同过滤42-43
• 5.5 本章小结43-44
• 第6章 实验设计与结果分析44-50
• 6.1 实验数据集44
• 6.2 度量标准及试验参数配置44-46
• 6.2.1 实验目的44-45
• 6.2.2 评价标准45
• 6.2.3 环境配置45-46
• 6.3 推荐效果比较46-49
• 6.4 本章小结49-50
• 结论50-52
• 参考文献52-58
• 攻读硕士学位期间发表的学术论文58-60
• 致谢60

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

6 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

7 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

8 高e

本文编号：288689