粒子群优化BP神经网络在协同过滤算法中的研究
发布时间:2021-09-03 03:59
随着网络资源数据量的爆炸式增长,用户获取有效信息的难度增大,在这一背景下推荐系统应运而生。现今,推荐算法已被广泛应用于电子商务等不同应用场景之中。针对当下主流商用推荐系统中应用最广泛的协同过滤推荐算法,不同的学者采取了相应的措施进行改进。其中协同过滤算法最关键的步骤莫过于用户(或项目)相似度计算,但传统算法在评分矩阵数据稀疏的情况下预测精度较低,所以针对上述问题,本文提出了基于邻居用户评分误差的改进协同过滤算法,主要贡献如下:1、本文改进算法采用逆向思维,从项目特征属性出发,考虑项目的特征属性对用户的评分行为影响。此外,考虑到用户评分数据复杂性,本文利用BP神经网络能处理复杂非线性问题的优点,通过结合粒子群优化算法全局寻优的特点,构建出用户与项目属性特征之间的评分预测模型,简称PSO-BP评分预测模型,通过以模型输出的邻居用户预测评分与目标用户同一项目历史实际评分的误差为评判标准,以此来判定用户间的喜好相似程度,进而改善传统算法在评分矩阵数据稀疏的情况下,预测评分准确性和可靠性较低的问题,提高传统算法在矩阵数据稀疏情况下的评分预测精度。2、本文通过自定义相似度计算函数计算出的相似度矩阵...
【文章来源】:江西农业大学江西省
【文章页数】:61 页
【学位级别】:硕士
【部分图文】:
协同过滤层次结构图
个性化推荐服务已经成为现今网络服务的主要形式。面对眼花缭乱的商品,顾客往往不知所措,盲目的进入到商品的海洋里寻找自己想要的东西,而浏览大量无关的商品信息会消磨客户购物的耐心,从而导致潜在交易的失败,也无形中给平台以及商家带来损失。这个时候如果有一个优质的推荐系统可以根据用户的兴趣爱好、购买或消费记录等信息进行具有针对性的服务是不是能更大程度上促成交易的成功呢,个性化推荐系统(Personalized Recommendation System)正是基于这样的背景下产生的,个性化推荐系统又称为信息过滤系统,它不但能够为客户过滤掉大量无关信息,减轻用户负担,还能对客户以往的浏览、购买记录等信息进行数据挖掘,并以此来分析客户的兴趣爱好,向用户推荐现在或将来他可能感兴趣的商品及提出对应的信息建议等,从而将商品精准的推荐给用户。个性化推荐系统主要有三大模块组成:用户建模模块、推荐对象建模模块、推荐算法模块,其中最重要的要属推荐算法模块[17]。下图为个性化推荐系统的模型框架图,从图中我们看到用户提供自己的兴趣爱好给系统,系统在获取兴趣爱好后建立用户模型,通过融合推荐对象模型以及结合推荐算法,将计算出的对象推荐给用户。
个性化推荐算法及相关技术他主流推荐算法基于内容的推荐算法于内容的推荐(Content-based Recommendation)是一种经典的推荐算法,算法于信息过滤和信息检索领域,该算法根据用户之前的兴趣爱好资料以及已消数据信息去发现内容之间的关联性,并以此来推荐与其过去喜欢项目相类似通俗的说,基于内容的推荐(Content-based Recommendation)就是分析用户之过的商品,发现它们之间的联系,以此来确定目标物品的属性特征,来向用品。算法流程如图 2.2 所示
【参考文献】:
期刊论文
[1]改进粒子群优化BP神经网络粮食产量预测模型[J]. 宗宸生,郑焕霞,王林山. 计算机系统应用. 2018(12)
[2]基于改进粒子群优化BPAdaboost神经网络的PM2.5浓度预测[J]. 李晓理,梅建想,张山. 大连理工大学学报. 2018(03)
[3]神经网络的高反差图像增强算法研究[J]. 梁康康,李涛. 计算机技术与发展. 2017(09)
[4]基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用[J]. 齐银峰,谭荣建. 水利水电技术. 2017(02)
[5]双重聚类的协同过滤算法在智能家居中的应用[J]. 胡磊,蔡红霞,俞涛. 计算机技术与发展. 2017(02)
[6]Attribute Reduction with Rough Set in Context-Aware Collaborative Filtering[J]. HE Ming,REN Wanpeng. Chinese Journal of Electronics. 2017(05)
[7]基于用户-项目的混合协同过滤算法[J]. 陈彦萍,王赛. 计算机技术与发展. 2014(12)
[8]基于天猫商城的推荐系统应用研究[J]. 杨凯,王瑾. 科技风. 2014(19)
[9]基于改进的双极Slope One算法的农业信息推荐模型研究[J]. 张启宇,宋瑶,陈英义,封文杰. 安徽农业科学. 2014(29)
[10]改进的QPSO-BP算法的铀价格预测模型及应用[J]. 陈建宏,周汉陵,于凤玲,杨珊. 计算机工程与应用. 2013(21)
博士论文
[1]协同过滤推荐算法的关键性问题研究[D]. 黄山山.山东大学 2016
[2]客户协同产品创新中冲突协调与消解的关键技术研究[D]. 王小磊.重庆大学 2010
硕士论文
[1]基于谱聚类SM算法的协同过滤推荐算法研究[D]. 陈清华.江西农业大学 2018
[2]基于BP神经网络的改进协同过滤推荐算法[D]. 温锦雄.华南理工大学 2018
[3]面向稀疏数据的个性化推荐算法研究[D]. 朱金栋.北京邮电大学 2018
[4]基于AP聚类算法的推荐系统研究[D]. 于润杰.河北大学 2017
[5]一种基于用户信任度的改进协同过滤算法研究与实现[D]. 曾一飞.湖南大学 2017
[6]基于协同过滤和雷达图法的信息运维技能培训平台研究[D]. 徐鹏飞.东北电力大学 2017
[7]新型协同过滤推荐算法研究[D]. 李欢.安徽大学 2017
[8]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[9]面向稀疏性数据的协同过滤推荐算法的研究[D]. 云祥富.吉林大学 2017
[10]中国移动互联网渠道建设策略研究[D]. 朱晓鸣.浙江工业大学 2017
本文编号:3380359
【文章来源】:江西农业大学江西省
【文章页数】:61 页
【学位级别】:硕士
【部分图文】:
协同过滤层次结构图
个性化推荐服务已经成为现今网络服务的主要形式。面对眼花缭乱的商品,顾客往往不知所措,盲目的进入到商品的海洋里寻找自己想要的东西,而浏览大量无关的商品信息会消磨客户购物的耐心,从而导致潜在交易的失败,也无形中给平台以及商家带来损失。这个时候如果有一个优质的推荐系统可以根据用户的兴趣爱好、购买或消费记录等信息进行具有针对性的服务是不是能更大程度上促成交易的成功呢,个性化推荐系统(Personalized Recommendation System)正是基于这样的背景下产生的,个性化推荐系统又称为信息过滤系统,它不但能够为客户过滤掉大量无关信息,减轻用户负担,还能对客户以往的浏览、购买记录等信息进行数据挖掘,并以此来分析客户的兴趣爱好,向用户推荐现在或将来他可能感兴趣的商品及提出对应的信息建议等,从而将商品精准的推荐给用户。个性化推荐系统主要有三大模块组成:用户建模模块、推荐对象建模模块、推荐算法模块,其中最重要的要属推荐算法模块[17]。下图为个性化推荐系统的模型框架图,从图中我们看到用户提供自己的兴趣爱好给系统,系统在获取兴趣爱好后建立用户模型,通过融合推荐对象模型以及结合推荐算法,将计算出的对象推荐给用户。
个性化推荐算法及相关技术他主流推荐算法基于内容的推荐算法于内容的推荐(Content-based Recommendation)是一种经典的推荐算法,算法于信息过滤和信息检索领域,该算法根据用户之前的兴趣爱好资料以及已消数据信息去发现内容之间的关联性,并以此来推荐与其过去喜欢项目相类似通俗的说,基于内容的推荐(Content-based Recommendation)就是分析用户之过的商品,发现它们之间的联系,以此来确定目标物品的属性特征,来向用品。算法流程如图 2.2 所示
【参考文献】:
期刊论文
[1]改进粒子群优化BP神经网络粮食产量预测模型[J]. 宗宸生,郑焕霞,王林山. 计算机系统应用. 2018(12)
[2]基于改进粒子群优化BPAdaboost神经网络的PM2.5浓度预测[J]. 李晓理,梅建想,张山. 大连理工大学学报. 2018(03)
[3]神经网络的高反差图像增强算法研究[J]. 梁康康,李涛. 计算机技术与发展. 2017(09)
[4]基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用[J]. 齐银峰,谭荣建. 水利水电技术. 2017(02)
[5]双重聚类的协同过滤算法在智能家居中的应用[J]. 胡磊,蔡红霞,俞涛. 计算机技术与发展. 2017(02)
[6]Attribute Reduction with Rough Set in Context-Aware Collaborative Filtering[J]. HE Ming,REN Wanpeng. Chinese Journal of Electronics. 2017(05)
[7]基于用户-项目的混合协同过滤算法[J]. 陈彦萍,王赛. 计算机技术与发展. 2014(12)
[8]基于天猫商城的推荐系统应用研究[J]. 杨凯,王瑾. 科技风. 2014(19)
[9]基于改进的双极Slope One算法的农业信息推荐模型研究[J]. 张启宇,宋瑶,陈英义,封文杰. 安徽农业科学. 2014(29)
[10]改进的QPSO-BP算法的铀价格预测模型及应用[J]. 陈建宏,周汉陵,于凤玲,杨珊. 计算机工程与应用. 2013(21)
博士论文
[1]协同过滤推荐算法的关键性问题研究[D]. 黄山山.山东大学 2016
[2]客户协同产品创新中冲突协调与消解的关键技术研究[D]. 王小磊.重庆大学 2010
硕士论文
[1]基于谱聚类SM算法的协同过滤推荐算法研究[D]. 陈清华.江西农业大学 2018
[2]基于BP神经网络的改进协同过滤推荐算法[D]. 温锦雄.华南理工大学 2018
[3]面向稀疏数据的个性化推荐算法研究[D]. 朱金栋.北京邮电大学 2018
[4]基于AP聚类算法的推荐系统研究[D]. 于润杰.河北大学 2017
[5]一种基于用户信任度的改进协同过滤算法研究与实现[D]. 曾一飞.湖南大学 2017
[6]基于协同过滤和雷达图法的信息运维技能培训平台研究[D]. 徐鹏飞.东北电力大学 2017
[7]新型协同过滤推荐算法研究[D]. 李欢.安徽大学 2017
[8]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[9]面向稀疏性数据的协同过滤推荐算法的研究[D]. 云祥富.吉林大学 2017
[10]中国移动互联网渠道建设策略研究[D]. 朱晓鸣.浙江工业大学 2017
本文编号:3380359
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3380359.html