基于用户的协同过滤推荐算法研究

发布时间：2017-10-07 16:09

  本文关键词：基于用户的协同过滤推荐算法研究

  更多相关文章： 用户相似度 协同过滤 推荐系统 模糊机制 误差反馈

【摘要】：科学技术的迅速发展和电子设备的迅速普及,我们不得不面对日益严重的信息过载问题。推荐系统的提出可以有效的缓解该问题,推荐系统集成了数据挖掘、机器学习等技术,经过近二十年的不断发展,已经被广泛地应用到电子商务系统中。协同过滤推荐是推荐算法中应用最广泛和最成功的一种推荐算法,该算法的关键步骤是寻找与目标用户相匹配的相似邻居用户。本文针对基于用户的协同过滤推荐进行了系统的研究,所取得的主要研究成果为:1.模糊逻辑机制和项目的上下文信息可以应用于协同过滤推荐系统,基于此提出了一种基于模糊机制与上下文信息的协同过滤推荐算法,首先通过模糊逻辑构建用户的评分隶属度函数,即采用软化分机制解决传统相似度硬划分存在的尖锐边界问题。进而通过项目的上下文信息,充分挖掘整体用户对项目的偏好程度进而构建项目对相似度的贡献率,即克服了项目的单一权值对相似度构建带来的不确定性问题。最后通过改进的雅各布相似度度量模型,即评分数目较小的用户所对应的相似度处以相应的惩罚,最终构建更为合理的相似度模型。实验结果表明,与经典的皮尔逊相似度、余弦相似度和其他算法相比,该算法可以构建更为合理的相似度模型。2.协同过滤推荐算法核心是目标用户的兴趣爱好可以由相似的邻居用户计算求得,基于此提出一种基于误差反馈信息的协同过滤推荐算法。本算法首先通过用户之间的共同项目评分,运用不同的相似度距离因子构建用户的基本相似度,即充分挖掘了用户之间共同偏好。然后该算法通过用户自身评分的平均值、标准方差和共同的评分项目比例,构建用户的偏好相似度,即充分挖掘了用户自身的评分习惯与属性。最后本算法通过用户的误差反馈信息去掉邻居中的噪音评分,使目标用户的邻居集合更趋于合理性。实验结果表明该算法可以产生更为精确的推荐结果。3.粒子群优化算法从随机解作为出发点,通过适应度来评价解的质量,通过迭代寻找最优解,该算法实现简单、精度高、收敛快,在解决实际问题中已经充分展示了其优越的性能。基于此提出一种基于粒子群优化的用户相似度模型。在该模型中用粒子群优化算法优化不同的相似度距离因子的权值,进而构建更加合理的相似度模型,与经典的皮尔逊相似度、余弦相似度相比较,实验结果表明该算法可以产生更为精确的推荐结果。
【关键词】：用户相似度 协同过滤 推荐系统 模糊机制 误差反馈
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 符号对照表10-11
• 缩略语对照表11-14
• 第一章 绪论14-22
• 1.1 课题背景及研究意义14-20
• 1.1.2 推荐系统概述15-16
• 1.1.3 推荐系统分类16-19
• 1.1.4 推荐系统评价指标19-20
• 1.2 本论文的主要工作和内容安排20-22
• 第二章 协同过滤推荐算法22-30
• 2.1 协同过滤推荐算法22-27
• 2.1.1 协同过滤算法概述22
• 2.1.2 基于用户的协同过滤推荐22-24
• 2.1.3 基于项目的协同过滤推荐24-26
• 2.1.4 基于模型的协同过滤推荐26-27
• 2.2 协同过滤存在的问题27-28
• 2.3 本章小结28-30
• 第三章 基于模糊机制与上下文信息的协同过滤推荐算法30-42
• 3.1 常用的相似度模型30-34
• 3.1.1 传统相似度模型30-31
• 3.1.2 其它相似度模型31-34
• 3.2 构建的算法动机34-35
• 3.2.1 评分模糊逻辑化34
• 3.2.2 构建项目贡献率34
• 3.2.3 惩罚评分数目较小的用户相似度34-35
• 3.3 算法的实现35-38
• 3.3.1 算法数学描述35-37
• 3.3.2 相似度计算例子37-38
• 3.4 实验结果及性能分析38-41
• 3.4.1 实验数据集38
• 3.4.2 实验的评价指标38-39
• 3.4.3 实验结果展示及分析39-41
• 3.5 本章小结41-42
• 第四章 基于误差反馈信息的协同过滤推荐算法42-52
• 4.1 前言42-44
• 4.1.1 用户相似度因子模型42-43
• 4.1.2 用户误差反馈信息概述43-44
• 4.2 算法的实现44-49
• 4.2.1 构建算法的动机44
• 4.2.2 算法的具体实现44-47
• 4.2.3 算法实现的例子47-49
• 4.3 实验结果及性能分析49-51
• 4.3.1 实验数据集49
• 4.3.2 实验结果分析49-51
• 4.4 本章小结51-52
• 第五章 基于粒子群优化的用户相似度模型论52-60
• 5.1 前言52-54
• 5.1.1 粒子群优化算法52-53
• 5.1.2 基于距离因子的相似度模型53-54
• 5.2 算法的具体实现54-56
• 5.3 实验结果及性能分析56-58
• 5.3.1 实验数据集介绍56
• 5.3.2 实验结果展示56-58
• 5.4 本章小结58-60
• 第六章 结论和展望60-62
• 6.1 研究结论60
• 6.2 研究结论60-62
• 参考文献62-66
• 致谢66-68
• 作者简介68-69

【参考文献】

中国期刊全文数据库 前3条

1 李涛;王建东;叶飞跃;冯新宇;张有东;;一种基于用户聚类的协同过滤推荐算法[J];系统工程与电子技术;2007年07期

2 周军锋,汤显,郭景峰;一种优化的协同过滤推荐算法[J];计算机研究与发展;2004年10期

3 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期

，

本文编号：988792