基于聚类的智能推荐算法研究及应用
发布时间：2021-04-23 21:07
最近一些年来互联网行业在不断地扩张,大批量的数据无时无刻被互联网这个大机器生产出来。对于用户来说大量无价值和有价值的信息全部混杂在海量数据当中,使用一般的收集信息的方式把对用户有价值的信息从巨量数据中快速提取出来是相当有难度的。推荐系统是解决上述问题的技术手段之一,也是最近的研究热点。目前比较流行的推荐算法有基于内容的推荐、基于模型的推荐、协同过滤等。针对目前实际应用的推荐系统存在的冷启动、稀疏性和实时性等问题,本文选取基于聚类的协同过滤算法作为主要研究对象,并把谱聚类、用户偏好矩阵与混合蛙跳算法融合进来,提出了两种改进的协同过滤推荐算法。本文的具体工作如下:1.分析了几种经典聚类算法,由于谱聚类具有易于实现、性能优越、对稀疏数据聚类效果更理想等优点,因此选取了谱聚类作为主要研究的聚类算法。在标准谱聚类的基础上,本文改进了一种最大距离积的谱聚类算法MDP-SC算法,克服了谱聚类初始簇心不稳定的问题。在MDP-SC算法的基础上,加入了用户兴趣偏好矩阵与基于物品相似度的Weighted Slope One预填充算法,从而形成本文的第一个推荐算法PUM-CF算法。最后,使用UCI标准数据集对...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 推荐系统的国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.2.3 主要面临的挑战
1.3 本文研究目标与内容
1.4 本文的组织结构
第二章 相关技术分析及整体设计
2.1 推荐系统概述
2.1.1 基于内存的协同过滤
2.1.2 基于聚类的协同过滤算法
2.1.3 推荐算法的分析与选择
2.2 推荐算法常用的数据集
2.3 推荐算法评价方法
2.4 传统聚类算法概述
2.4.1 常见的聚类算法
2.4.2 聚类算法的分析与选择
2.5 本章小结
第三章 基于改进谱聚类的协同过滤算法研究
3.1 谱聚类算法
3.1.1 谱聚类的相似性度量
3.1.2 图的划分准则
3.1.3 图的矩阵表示
3.1.4 谱聚类的基本步骤
3.1.5 谱聚类的典型算法
3.2 基于改进谱聚类的协同过滤算法（PUM-CF）
3.2.1 构建用户偏好矩阵
3.2.2 基于物品相似度的WeightedSlopeOne预填充算法研究
3.2.3 基于最大距离积的改进谱聚类算法研究（MDP-SC）
3.2.4 完成推荐及算法总执行过程
3.3 本章算法测试分析
3.3.1 MDP-SC算法实验与分析
3.3.2 PUM-CF算法实验与分析
3.4 本章小结
第四章 基于改进谱聚类与混合蛙跳的协同过滤算法研究
4.1 混合蛙跳算法概述
4.1.1 算法的行为描述
4.1.2 算法的数学模型
4.1.3 算法的参数设置
4.1.4 算法的详细流程
4.2 改进混合蛙跳算法研究（NVF-SFLA）
4.2.1 基于正态分布的变异
4.2.2 劣汰变异机制
4.2.3 优胜变异机制
4.2.4 改进混合蛙跳算法的流程
4.3 基于改进谱聚类与混合蛙跳的协同过滤算法（PUMS-CF）
4.3.1 基于改进混合蛙跳算法求解最近邻集
4.3.2 基于改进谱聚类与混合蛙跳的协同过滤算法总流程
4.4 本章算法测试分析
4.4.1 NVF-SFLA算法实验结果与分析
4.4.2 PUMS-CF算法实验与分析
4.5 本章小结
第五章 个性化电影推荐系统的设计与实现
5.1 系统功能需求分析
5.2 个性化电影推荐系统的设计
5.2.1 系统整体架构设计
5.2.2 系统功能及业务逻辑设计
5.2.3 系统的数据库设计
5.3 个性化电影推荐系统的实现
5.3.1 系统数据来源
5.3.2 系统功能模块实现
5.3.3 推荐模块实现
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间取得的研究成果
【参考文献】：
期刊论文
[1]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[2]基于密度与最小距离的K-means算法初始中心方法[J]. 戚后林,顾磊. 计算机技术与发展. 2017(09)
[3]基于谱聚类与多因子融合的协同过滤推荐算法[J]. 李倩,李诗瑾,徐桂琼. 计算机应用研究. 2017(10)
[4]正态变异优胜劣汰的混合蛙跳算法[J]. 张明明,戴月明,吴定会. 计算机应用. 2016(06)
[5]基于混合蛙跳联合聚类的协同过滤算法[J]. 喻金平,张勇,廖列法,梅宏标. 微电子学与计算机. 2016(01)
[6]求解大规模谱聚类的近似加权核k-means算法[J]. 贾洪杰,丁世飞,史忠植. 软件学报. 2015(11)
[7]基于最小距离乘积K-means算法的改进[J]. 贺嘉楠,高云龙,王宏杰,朱琪,董立岩. 吉林大学学报(信息科学版). 2015(05)
[8]一种保持种群多样性的改进混洗蛙跳算法[J]. 张强,刘丽杰,郭昊. 计算机与数字工程. 2015(07)
[9]大数据处理中混合型聚类算法的研究与实现[J]. 陈晓,赵晶玲. 信息网络安全. 2015(04)
[10]Applying memetic algorithm-based clustering to recommender system with high sparsity problem[J]. MARUNG Ukrit,THEERA-UMPON Nipon,AUEPHANWIRIYAKUL Sansanee. Journal of Central South University. 2014(09)
博士论文
[1]混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究[D]. 赵转哲.东南大学 2016
硕士论文
[1]基于Spark平台的实时流计算推荐系统的研究与实现[D]. 张贤德.江苏大学 2016
[2]混合蛙跳算法的改进与应用研究[D]. 张勇.江西理工大学 2016
[3]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
[4]结合情感倾向分析的个性化推荐技术研究[D]. 金益斌.北京工业大学 2015
[5]基于改进的混合蛙跳算法的Web用户聚类研究[D]. 杨登武.西南大学 2015
[6]基于混合推荐的电影推荐系统的研究与实现[D]. 张月蓉.安徽大学 2013
[7]谱聚类算法研究[D]. 王莉莉.河南大学 2012
[8]改进用户模型的协同过滤推荐算法[D]. 孙敏.重庆大学 2012
[9]Netflix数据集上的协同过滤算法[D]. 王元涛.清华大学 2009
[10]应用软件开发中的模式应用技术研究[D]. 许宁.中国海洋大学 2006
本文编号：3156044
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 推荐系统的国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.2.3 主要面临的挑战
1.3 本文研究目标与内容
1.4 本文的组织结构
第二章 相关技术分析及整体设计
2.1 推荐系统概述
2.1.1 基于内存的协同过滤
2.1.2 基于聚类的协同过滤算法
2.1.3 推荐算法的分析与选择
2.2 推荐算法常用的数据集
2.3 推荐算法评价方法
2.4 传统聚类算法概述
2.4.1 常见的聚类算法
2.4.2 聚类算法的分析与选择
2.5 本章小结
第三章 基于改进谱聚类的协同过滤算法研究
3.1 谱聚类算法
3.1.1 谱聚类的相似性度量
3.1.2 图的划分准则
3.1.3 图的矩阵表示
3.1.4 谱聚类的基本步骤
3.1.5 谱聚类的典型算法
3.2 基于改进谱聚类的协同过滤算法（PUM-CF）
3.2.1 构建用户偏好矩阵
3.2.2 基于物品相似度的WeightedSlopeOne预填充算法研究
3.2.3 基于最大距离积的改进谱聚类算法研究（MDP-SC）
3.2.4 完成推荐及算法总执行过程
3.3 本章算法测试分析
3.3.1 MDP-SC算法实验与分析
3.3.2 PUM-CF算法实验与分析
3.4 本章小结
第四章 基于改进谱聚类与混合蛙跳的协同过滤算法研究
4.1 混合蛙跳算法概述
4.1.1 算法的行为描述
4.1.2 算法的数学模型
4.1.3 算法的参数设置
4.1.4 算法的详细流程
4.2 改进混合蛙跳算法研究（NVF-SFLA）
4.2.1 基于正态分布的变异
4.2.2 劣汰变异机制
4.2.3 优胜变异机制
4.2.4 改进混合蛙跳算法的流程
4.3 基于改进谱聚类与混合蛙跳的协同过滤算法（PUMS-CF）
4.3.1 基于改进混合蛙跳算法求解最近邻集
4.3.2 基于改进谱聚类与混合蛙跳的协同过滤算法总流程
4.4 本章算法测试分析
4.4.1 NVF-SFLA算法实验结果与分析
4.4.2 PUMS-CF算法实验与分析
4.5 本章小结
第五章 个性化电影推荐系统的设计与实现
5.1 系统功能需求分析
5.2 个性化电影推荐系统的设计
5.2.1 系统整体架构设计
5.2.2 系统功能及业务逻辑设计
5.2.3 系统的数据库设计
5.3 个性化电影推荐系统的实现
5.3.1 系统数据来源
5.3.2 系统功能模块实现
5.3.3 推荐模块实现
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间取得的研究成果
【参考文献】：
期刊论文
[1]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[2]基于密度与最小距离的K-means算法初始中心方法[J]. 戚后林,顾磊. 计算机技术与发展. 2017(09)
[3]基于谱聚类与多因子融合的协同过滤推荐算法[J]. 李倩,李诗瑾,徐桂琼. 计算机应用研究. 2017(10)
[4]正态变异优胜劣汰的混合蛙跳算法[J]. 张明明,戴月明,吴定会. 计算机应用. 2016(06)
[5]基于混合蛙跳联合聚类的协同过滤算法[J]. 喻金平,张勇,廖列法,梅宏标. 微电子学与计算机. 2016(01)
[6]求解大规模谱聚类的近似加权核k-means算法[J]. 贾洪杰,丁世飞,史忠植. 软件学报. 2015(11)
[7]基于最小距离乘积K-means算法的改进[J]. 贺嘉楠,高云龙,王宏杰,朱琪,董立岩. 吉林大学学报(信息科学版). 2015(05)
[8]一种保持种群多样性的改进混洗蛙跳算法[J]. 张强,刘丽杰,郭昊. 计算机与数字工程. 2015(07)
[9]大数据处理中混合型聚类算法的研究与实现[J]. 陈晓,赵晶玲. 信息网络安全. 2015(04)
[10]Applying memetic algorithm-based clustering to recommender system with high sparsity problem[J]. MARUNG Ukrit,THEERA-UMPON Nipon,AUEPHANWIRIYAKUL Sansanee. Journal of Central South University. 2014(09)
博士论文
[1]混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究[D]. 赵转哲.东南大学 2016
硕士论文
[1]基于Spark平台的实时流计算推荐系统的研究与实现[D]. 张贤德.江苏大学 2016
[2]混合蛙跳算法的改进与应用研究[D]. 张勇.江西理工大学 2016
[3]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
[4]结合情感倾向分析的个性化推荐技术研究[D]. 金益斌.北京工业大学 2015
[5]基于改进的混合蛙跳算法的Web用户聚类研究[D]. 杨登武.西南大学 2015
[6]基于混合推荐的电影推荐系统的研究与实现[D]. 张月蓉.安徽大学 2013
[7]谱聚类算法研究[D]. 王莉莉.河南大学 2012
[8]改进用户模型的协同过滤推荐算法[D]. 孙敏.重庆大学 2012
[9]Netflix数据集上的协同过滤算法[D]. 王元涛.清华大学 2009
[10]应用软件开发中的模式应用技术研究[D]. 许宁.中国海洋大学 2006
本文编号：3156044
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3156044.html
