结合用户兴趣变化的推荐算法研究

发布时间：2017-09-15 05:35

  本文关键词：结合用户兴趣变化的推荐算法研究

  更多相关文章： 推荐系统 组推荐 用户兴趣 用户特性 协同过滤 偏好融合

【摘要】：伴随着信息化的不断普及与互联网技术的不断创新,信息过载问题从更多、更广的方面影响着我们的生活。推荐系统已经成为继搜索引擎之后处理信息过载问题的又一有力武器。如今传统推荐系统在诸多领域都已经取得巨大的成功,但是随着用户需求的变化,传统推荐系统不能为用户群组产生推荐的弊端逐渐显现出来,为此组推荐系统应运而生。组推荐系统能够支持多成员群组的推荐服务,已经成为推荐系统中新的研究热点。传统推荐算法和组推荐算法中,都没有对用户兴趣变化问题进行考虑,从而造成了推荐准确性的下降,在一些基于时间加权的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,本文通过对传统推荐算法与组推荐算法的研究,分析了用户兴趣变化对各个算法的影响,在传统推荐算法中提出了一种适应用户兴趣变化的改进型协同过滤算法,在组推荐算法中提出了一种结合用户特性和用户兴趣变化的组推荐算法。适应用户兴趣变化的改进型协同过滤算法在传统协同过滤算法的基础上结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入了一种增强的时间衰减模型来度量预测值,并且将这两种方式有机的结合起来,解决了用户兴趣变化问题,同时考虑了推荐算法的时效性。在仿真实验中,分别在不同的数据集上对比该算法与UserCF-BP、UserCF-BE、TCNCF以及PTCF的预测评分准确度和TopN推荐准确度后发现,本文提出的算法能够有效的提高预测评分准确度以及TopN推荐准确度。结合用户特性和群组兴趣变化的组推荐算法首先根据用户特性使用聚类方法进行群组发现；其次为了能够更好的模拟用户兴趣变化,在组推荐算法中提出了一种时间惩罚协同过滤算法,并使用该算法对群组内的成员评分进行预测；最后鉴于现有偏好融合策略的局限性,提出了比重偏好融合策略,通过结合使用现有偏好融合策略来弥补它们的不足,同时采用了评分融合方法以及比重偏好融合策略将群组内各用户的偏好进行融合,得出群组预测评分,从而为群组产生推荐结果。在仿真实验中,衡量了用户特性值数量和群组数量对算法的影响,并通过与BaseGRA、ImprovedGRA以及GRAU进行对比后发现,本文提出的算法能够有效的提高组推荐的推荐准确率。
【关键词】：推荐系统 组推荐 用户兴趣 用户特性 协同过滤 偏好融合
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要6-7
• Abstract7-11
• 缩略语表11-12
• 第1章 绪论12-16
• 1.1 课题研究背景及意义12-13
• 1.2 国内外研究现状13-14
• 1.2.1 传统推荐系统研究现状13-14
• 1.2.2 组推荐系统研究现状14
• 1.3 论文主要工作和组织结构14-16
• 1.3.1 论文主要工作14-15
• 1.3.2 论文组织结构15-16
• 第2章 现有推荐系统及其相关技术研究16-29
• 2.1 传统推荐系统16-24
• 2.1.1 传统推荐系统概述16-17
• 2.1.2 常用推荐算法17-24
• 2.2 组推荐系统24-28
• 2.2.1 组推荐系统概述24
• 2.2.2 组推荐中关键技术24-28
• 2.3 本章小结28-29
• 第3章 传统推荐算法中适应用户兴趣变化的协同过滤算法改进29-48
• 3.1 引言29-30
• 3.1.1 用户兴趣变化问题29-30
• 3.1.2 当前已有解决方案30
• 3.2 基于用户的协同过滤算法30-32
• 3.2.1 算法实现思想30-31
• 3.2.2 算法实现过程31-32
• 3.3 适应用户兴趣变化的改进型协同过滤算法32-40
• 3.3.1 算法提出32-33
• 3.3.2 算法描述33-37
• 3.3.3 算法过程37-40
• 3.4 实验数据与结果分析40-47
• 3.4.1 实验数据集40-41
• 3.4.2 实验结果度量标准41-42
• 3.4.3 比较算法42-43
• 3.4.4 实验设计43-44
• 3.4.5 实验结果与分析44-47
• 3.5 本章小结47-48
• 第4章 结合用户特性和群组兴趣变化的组推荐算法研究48-66
• 4.1 引言48-50
• 4.1.1 群组兴趣变化问题48-49
• 4.1.2 现有组推荐算法中的群组兴趣变化49-50
• 4.2 结合用户特性和群组兴趣变化的组推荐算法50-60
• 4.2.1 算法提出50-51
• 4.2.2 算法描述51-56
• 4.2.3 算法过程56-60
• 4.3 实验数据与结果分析60-65
• 4.3.1 实验数据集60
• 4.3.2 实验结果度量标准60-61
• 4.3.3 比较算法61
• 4.3.4 实验设计61-62
• 4.3.5 实验结果与分析62-65
• 4.4 本章小结65-66
• 总结与展望66-68
• 1 本文总结66-67
• 2 未来工作展望67-68
• 致谢68-69
• 参考文献69-75
• 攻读硕士学位期间发表的论文75

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：854623