基于粒子群聚类的协同过滤推荐算法研究

发布时间：2017-04-25 04:12

  本文关键词：基于粒子群聚类的协同过滤推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：随着互联网的飞速发展,当今生活每天都会产生数以亿计的信息。信息数量的过度膨胀,使人们逐渐进入了“信息过载”的时代。在这个时代,人们越来越难以快速准确获取自己所需要的信息。根据皮尤研究中心的最新报告,“信息过载”问题可能成为未来威胁网络自由的一个重要挑战。目前,解决“信息过载“问题的信息过滤机制主要包括搜索引擎和推荐系统。搜索引擎的搜索结果跟用户对信息的描述有很大的关联,即信息描述越准确,搜索结果越好。并且搜索引擎对图片、音乐和视频等信息不能够很好的处理。而推荐系统不需要用户对信息提供准确的描述,它可以从用户的一些历史行为中预测用户的需求和兴趣,把用户需要的信息推荐给用户。并且,推荐系统可以很好的处理图片、音乐和视频等信息。在未来的社会中,推荐系统会逐渐成为解决“信息过载”的主要工具,对人们的生活变得越来越重要。目前,个性化推荐系统已经应用到很多领域,如电子商务、电影和视频、音乐等。随之也产生了各种各样的推荐技术,如基于内容的推荐技术、协同过滤推荐技术、基于图的技术等等。在诸多的推荐技术中,协同过滤推荐技术应用最多最广泛,是个性化推荐系统中的主要技术。然而,随着协同过滤推荐系统中用户和项目的急剧增加,协同过滤推荐技术面临着“数据稀疏性”和“冷启动”等诸多挑战。本文主要针对协同过滤推荐算法中的“数据稀疏性”问题进行研究。主要研究工作如下：1.在基于用户偏好K-means聚类的协同过滤推荐算法的基础上,分析聚类结果对推荐精度的影响,提出基于用户偏好粒子群聚类的协同过滤推荐算法。详细介绍基于用户偏好聚类的协同过滤推荐算法的原理和实现过程。通过仿真实验证明,所提出的算法比基于用户偏好K-means聚类的协同过滤推算法具有更高的推荐精度。2.在基于用户偏好粒子群聚类协同过滤推荐算法的基础上,分析用户特征对用户选择的影响,提出基于用户综合信息粒子群聚类的协同过滤推荐算法。该算法综合考虑用户特征和用户偏好信息对用户进行粒子群聚类和最近邻居集选择。通过仿真实验证明,该算法相比基于用户偏好粒子群聚类的协同过滤推荐算法有更高的推荐精度。3.在用户综合信息粒子群聚类协同过滤推荐算法的基础上,结合个性化推荐系统在电影方面的应用,设计了一个简单推荐系统原型,通过收集用户的特征和偏好信息,为用户推荐其感兴趣的电影。
【关键词】：推荐系统 协同过滤 粒子群聚类 K-means聚类 冷启动 数据稀疏性
【学位授予单位】：中央民族大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要3-5
• Abstract5-14
• 第一章 绪论14-19
• 1.1 研究背景及意义14-15
• 1.2 协同过滤推荐技术研究现状15-17
• 1.3 本文的研究内容17-18
• 1.4 本文的组织结构18-19
• 第二章 协同过滤推荐算法和粒子群聚类算法综述19-24
• 2.1 协同过滤推荐算法19-21
• 2.2 粒子群聚类算法21-23
• 2.3 本章小结23-24
• 第三章 基于用户偏好PSO+K-means聚类的协同过滤推荐算法研究24-33
• 3.1 用户偏好模型及相似性24-25
• 3.2 基于用户偏好PSO+K-means聚类25-27
• 3.3 基于用户偏好PSO+K-means聚类的最近邻居查询27-28
• 3.4 与基于用户偏好K-means聚类的协同过滤推荐算法对比分析28-32
• 3.4.1 仿真实验环境介绍28-29
• 3.4.2 对比分析29-32
• 3.5 本章小结32-33
• 第四章 基于用户综合信息PSO+K-means聚类的协同过滤推荐算法研究33-43
• 4.1 用户特征相似性33-35
• 4.2 用户综合相似性35
• 4.3 基于用户综合相似性的PSO+K-means聚类35-37
• 4.4 基于用户综合相似性聚类的最近邻居查询37-38
• 4.5 仿真实验与分析38-42
• 4.5.1 不同用户特征权重下算法的对比分析38-40
• 4.5.2 与User-based PSO+K-means CF算法对比分析40-42
• 4.6 本章小结42-43
• 第五章 基于用户综合信息的推荐系统设计与实现43-51
• 5.1 系统简介43-44
• 5.2 系统设计44-46
• 5.2.1 数据库设计44-45
• 5.2.2 功能设计45-46
• 5.3 系统实现46-50
• 5.3.1 用户评分功能实现46-47
• 5.3.2 电影推荐功能实现47-50
• 5.4 本章小结50-51
• 第六章 总结与展望51-53
• 6.1 总结51-52
• 6.2 工作展望52-53
• 参考文献53-57
• 致谢57-58
• 攻读学位期间发表的学术论文目录58

【共引文献】

中国期刊全文数据库 前10条

1 印桂生;张亚楠;董宇欣;韩启龙;;基于受限信任关系和概率分解矩阵的推荐[J];电子学报;2014年05期

2 张磊;;基于遗忘曲线的协同过滤研究[J];电脑知识与技术;2014年12期

3 卢志翔;;网络学习系统个性化实时推荐策略研究[J];重庆科技学院学报(自然科学版);2015年03期

4 朱思丞;黄瑛;孙志锋;;推荐算法时间动态特性研究进展[J];工业控制计算机;2015年08期

5 琚春华;黄治移;鲍福光;;融入音乐子人格特质和社交网络行为分析的音乐推荐方法[J];电信科学;2015年10期

6 王宗武;;基于信任用户联合聚类的协同过滤算法[J];计算机与现代化;2013年09期

7 田志龙;张桂平;王裴岩;;基于主动学习技术的企业模型辅助构建[J];沈阳航空航天大学学报;2013年05期

8 莫同;褚伟杰;李伟平;吴中海;;一种基于扩展FP-TREE的服务推荐方法[J];华中科技大学学报(自然科学版);2013年S2期

9 洪朝群;陈亮;冯怡鹏;吴健;;一种融合反向交叉预测的QoS预测方法[J];华中科技大学学报(自然科学版);2013年S2期

10 汪从梅;王成良;徐玲;;自适应用户的Item-based协同过滤推荐算法[J];计算机应用研究;2013年12期

中国重要会议论文全文数据库 前1条

1 杨淑枝;;基于协同过滤的协作学习活动推荐系统[A];计算机与教育：理论、实践与创新——全国计算机辅助教育学会第十四届学术年会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;协同过滤推荐系统托攻击防御技术研究[D];国防科学技术大学;2012年

2 吉祥;面向产品绿色设计的知识建模及应用技术研究[D];浙江大学;2013年

3 廉捷;基于用户特征的社交网络数据挖掘研究[D];北京交通大学;2014年

4 刘海鸥;云环境用户情景兴趣的移动商务推荐模型及应用研究[D];燕山大学;2013年

5 崔昊e

本文编号：325601