基于属性相似隐语义变权融合协同过滤推荐算法研究
发布时间：2020-12-10 18:52
随着信息与互联网技术及其应用的不断发展,不仅数据量呈爆炸式增长,数据结构也越来越复杂。面对“信息过载”带来的难以对所需信息进行分析判断与选择利用等负面影响,人们在搜索引擎的基础上,便引入基于个性化推荐的信息过滤技术。在诸多的个性化推荐中,以协同过滤推荐算法最为常用,而其中尤以隐语义模型协同过滤推荐算法最为典型。但隐语义模型在评分矩阵分解降维的过程中,会有部分隐含特征信息丢失,从而影响推荐的准确性。因此,依据相似传递性,建立基于（用户与项目）属性相似隐语义模型,以弥补丢失的部分隐含特征信息。另外,不同的协同过滤推荐算法具有不同的优势和缺陷,又依据数据可比融合性,建立基于方差和最小变权融合模型,以平衡不同协同过滤推荐算法对评分矩阵特征提取的差异性。以基于属性相似隐语义模型和基于方差和最小变权融合模型为基础,提出“基于属性相似隐语义模型及其变权融合协同过滤推荐算法”。本论文通过辩识协同过滤推荐算法的国内外研究历史现状和课题研究的意义依据,构建了课题研究的目标内容与技术路线;进而讨论个性化推荐的基本知识,分析基于隐语义模型等协同过滤推荐算法和融合推荐算法的基本思想、技术结构和过程方法。由此开展...
【文章来源】：江西师范大学江西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
α=0.009、μ=0.03、K=30时预测准确度与F的关系
基于属性相似隐语义变权融合协同过滤推荐算法研究57图5-2α=0.009、μ=0.03、K=30时预测关联度与F的关系5.2.2控制参数F对实验结果影响分析1.隐含特征数F对算法预测准确度的影响由图5-1可以看出，普遍来说传统LFM隐语义模型算法的准确度最低，而AS_LFM、Fas_LFM2、Fas_LFM1一定程度均有着较好的准确度。AS_LFM的准确度，在F值小于30时预测准确度急剧上升，当F大于或等于30时，AS_LFM准确度仍然不断增加，到F=80才逐渐收敛，对Fas_LFM1、Fas_LFM2也是一样，前期随着F增大而准确度增大，但当F大于或等于200时，Fas_LFM1和Fas_LFM2才逐渐收敛。2.隐含特征数F对算法预测关联度的影响由图5-2可以看到随着F隐含特征数增加，AS_LFM、Fas_LFM1、Fas_LFM2的预测相关度也逐渐增加，基本与预测准确度趋势相似，传统LFM隐语义模型预测关联度变化幅度不大，而AS_LFM、Fas_LFM1、Fas_LFM2随着F隐含特征数增加而预测相关度也不断增大，AS_LFM当F大于等于80时，逐渐开始收敛，而Fas_LFM1和Fas_LFM2在当F大于等于90时，逐渐开始收敛。5.2.3实验结果的算法性能分析1．算法预测准确度比较分析由图5-1可以看出，随着F值的变化，传统隐语义模型改变不大，只是随着F值的增大，准确度上升。当F小于30时，AS_LFM由于包含用户属性和物
【参考文献】：
期刊论文
[1]Hybrid Recommender System Incorporating Weighted Social Trust and Item Tags[J]. ZHU Wenqiang. Wuhan University Journal of Natural Sciences. 2020(02)
[2]融合项目和用户隐式反馈的个性化推荐系统[J]. 李昆仑,苏华仃,戎静月. 小型微型计算机系统. 2020(03)
[3]融合关系挖掘与协同过滤的物品冷启动推荐算法[J]. 任永功,石佳鑫,张志鹏. 模式识别与人工智能. 2020(01)
[4]基于深度神经网络的个性化推荐系统研究[J]. 张敏军,华庆一,贾伟,陈锐,姬翔. 西南大学学报(自然科学版). 2019(11)
[5]基于改进的矩阵分解模型在推荐系统中的应用[J]. 宋瑞雪,李国勇. 计算机应用. 2019(S1)
[6]一种电影推荐模型:解决冷启动问题[J]. 刘春霞,陆建波,武玲梅. 计算机与现代化. 2018(11)
[7]融合似然比相似度的协同过滤推荐算法研究[J]. 王嵘冰,徐红艳,冯勇,郭浩. 小型微型计算机系统. 2018(07)
[8]用户兴趣变化和类别关联度的混合推荐算法[J]. 陈海龙,谢晟,薛宇彤. 计算机应用研究. 2019(02)
[9]融合用户属性的隐语义模型推荐算法[J]. 巫可,战荫伟,李鹰. 计算机工程. 2016(12)
[10]基于用户偏好和项目属性的协同过滤推荐算法[J]. 姚平平,邹东升,牛宝君. 计算机系统应用. 2015(07)
博士论文
[1]基于协同过滤技术的推荐方法研究[D]. 郁雪.天津大学 2009
硕士论文
[1]基于用户聚类和隐语义模型的协同过滤推荐研究[D]. 梅刚.海南大学 2018
[2]基于SVD的推荐系统研究及其应用[D]. 王燕.太原理工大学 2017
[3]新型协同过滤推荐算法研究[D]. 李欢.安徽大学 2017
[4]基于SVD与SVM混合推荐的电影推荐系统的研究[D]. 薄慧丽.太原理工大学 2017
[5]大数据环境下隐语义模型推荐算法的改进与实现[D]. 杜春河.华南理工大学 2017
[6]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[7]基于在线快速学习隐语义模型的个性化新闻推荐[D]. 周磊.南京邮电大学 2015
[8]混合推荐算法的研究[D]. 宋瑞平.兰州大学 2014
本文编号：2909203
【文章来源】：江西师范大学江西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
α=0.009、μ=0.03、K=30时预测准确度与F的关系
基于属性相似隐语义变权融合协同过滤推荐算法研究57图5-2α=0.009、μ=0.03、K=30时预测关联度与F的关系5.2.2控制参数F对实验结果影响分析1.隐含特征数F对算法预测准确度的影响由图5-1可以看出，普遍来说传统LFM隐语义模型算法的准确度最低，而AS_LFM、Fas_LFM2、Fas_LFM1一定程度均有着较好的准确度。AS_LFM的准确度，在F值小于30时预测准确度急剧上升，当F大于或等于30时，AS_LFM准确度仍然不断增加，到F=80才逐渐收敛，对Fas_LFM1、Fas_LFM2也是一样，前期随着F增大而准确度增大，但当F大于或等于200时，Fas_LFM1和Fas_LFM2才逐渐收敛。2.隐含特征数F对算法预测关联度的影响由图5-2可以看到随着F隐含特征数增加，AS_LFM、Fas_LFM1、Fas_LFM2的预测相关度也逐渐增加，基本与预测准确度趋势相似，传统LFM隐语义模型预测关联度变化幅度不大，而AS_LFM、Fas_LFM1、Fas_LFM2随着F隐含特征数增加而预测相关度也不断增大，AS_LFM当F大于等于80时，逐渐开始收敛，而Fas_LFM1和Fas_LFM2在当F大于等于90时，逐渐开始收敛。5.2.3实验结果的算法性能分析1．算法预测准确度比较分析由图5-1可以看出，随着F值的变化，传统隐语义模型改变不大，只是随着F值的增大，准确度上升。当F小于30时，AS_LFM由于包含用户属性和物
【参考文献】：
期刊论文
[1]Hybrid Recommender System Incorporating Weighted Social Trust and Item Tags[J]. ZHU Wenqiang. Wuhan University Journal of Natural Sciences. 2020(02)
[2]融合项目和用户隐式反馈的个性化推荐系统[J]. 李昆仑,苏华仃,戎静月. 小型微型计算机系统. 2020(03)
[3]融合关系挖掘与协同过滤的物品冷启动推荐算法[J]. 任永功,石佳鑫,张志鹏. 模式识别与人工智能. 2020(01)
[4]基于深度神经网络的个性化推荐系统研究[J]. 张敏军,华庆一,贾伟,陈锐,姬翔. 西南大学学报(自然科学版). 2019(11)
[5]基于改进的矩阵分解模型在推荐系统中的应用[J]. 宋瑞雪,李国勇. 计算机应用. 2019(S1)
[6]一种电影推荐模型:解决冷启动问题[J]. 刘春霞,陆建波,武玲梅. 计算机与现代化. 2018(11)
[7]融合似然比相似度的协同过滤推荐算法研究[J]. 王嵘冰,徐红艳,冯勇,郭浩. 小型微型计算机系统. 2018(07)
[8]用户兴趣变化和类别关联度的混合推荐算法[J]. 陈海龙,谢晟,薛宇彤. 计算机应用研究. 2019(02)
[9]融合用户属性的隐语义模型推荐算法[J]. 巫可,战荫伟,李鹰. 计算机工程. 2016(12)
[10]基于用户偏好和项目属性的协同过滤推荐算法[J]. 姚平平,邹东升,牛宝君. 计算机系统应用. 2015(07)
博士论文
[1]基于协同过滤技术的推荐方法研究[D]. 郁雪.天津大学 2009
硕士论文
[1]基于用户聚类和隐语义模型的协同过滤推荐研究[D]. 梅刚.海南大学 2018
[2]基于SVD的推荐系统研究及其应用[D]. 王燕.太原理工大学 2017
[3]新型协同过滤推荐算法研究[D]. 李欢.安徽大学 2017
[4]基于SVD与SVM混合推荐的电影推荐系统的研究[D]. 薄慧丽.太原理工大学 2017
[5]大数据环境下隐语义模型推荐算法的改进与实现[D]. 杜春河.华南理工大学 2017
[6]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[7]基于在线快速学习隐语义模型的个性化新闻推荐[D]. 周磊.南京邮电大学 2015
[8]混合推荐算法的研究[D]. 宋瑞平.兰州大学 2014
本文编号：2909203
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2909203.html
最近更新
教材专著
