结合评分及商品属性和聚类的协同过滤算法研究

发布时间：2022-01-22 14:30

　　随着网络互通技术的逐渐成长,人们已从信息量较少的时代跨入到信息量很多的时期,在这数据量庞大的时间点,如果想从许多的信息中找到自己比较喜欢的内容,这无疑很难,这些网络内容也越来越难展示给可能喜欢它们的人。为了解决这个问题,推荐类的应用就应运而生,它的使命就是连接每个人和网络内容,寻找它们之间的联系,从而进行个性化的推荐。作为时下比较热门的推荐算法:协同过滤推荐算法（CollaboratIve Filtering,CF）,它的主要功能就是预测和推荐。该推荐方式的实现原理是根据网络使用者的曾经在网络上产生的数据来发掘他可能喜欢的东西,根据大家喜欢内容的差别对网络上的使用者实行分成不同的小组并举荐喜好相近的商品。CF算法通常分成两个不同的方式:基于使用者的协同过滤算法（User-Based CollaboratIve Filtering,UserCF）和基于商品的协同过滤算法（Item-Based Collaborative Filtering,ItemCF）。通常可以用人按照喜好来分,商品按照类别来分。本文基于ItemCF来进行研究,做的主要工作如下:（1）针对当前CF算法存在的数据稀疏以及... 

【文章来源】：江西理工大学江西省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 论文的研究背景及意义
        1.1.1 论文研究背景
        1.1.2 论文研究意义
        1.1.3 存在的问题
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 论文创新点
    1.4 论文组织结构
    1.5 本章小结
第二章 协同过滤算法基本理论及技术
    2.1 协同过滤算法概念
    2.2 协同过滤算法分类
        2.2.1 基于使用者的协同过滤算法
        2.2.2 基于商品的协同过滤算法
        2.2.3 基于模型的协同过滤算法
    2.3 协同过滤算法处理流程
        2.3.1 数据预处理
        2.3.2 相似度计算
        2.3.3 预测使用者喜好
        2.3.4 评价指标
    2.4 本章小结
第三章 结合评分比例因子及商品属性的协同过滤算法
    3.1 协同过滤算法存在的问题
        3.1.1 算法扩展性问题
        3.1.2 算法准确性问题
    3.2 协同过滤算法改进点
        3.2.1 评分比例因子的提出
        3.2.2 商品属性权重的提出
        3.2.3 商品相似度计算方式改进
        3.2.4 商品冷启动解决方法提出
    3.3 算法实现
        3.3.1 算法描述
        3.3.2 算法执行流程
    3.4 算法仿真实验
        3.4.1 实验环境
        3.4.2 实验结果及分析
    3.5 本章小结
第四章 结合聚类改进的协同过滤推荐算法
    4.1 算法改进理论知识
        4.1.1 聚类基本理论
        4.1.2 K-MEANS算法
    4.2 结合聚类改进的CF算法
        4.2.1 算法提出思想
        4.2.2 算法描述
        4.2.3 算法处理流程
    4.3 算法仿真实验
        4.3.1 实验数据及平台
        4.3.2 实验评价指标
        4.3.3 实验结果及分析
    4.4 本章小结
第五章 结合评分比例因子及商品属性与聚类CF算法分析
    5.1 算法思想对比分析
    5.2 算法处理流程对比
    5.3 算法实验结果对比分析
    5.4 本章小结
第六章 总结及展望
    6.1 论文总结
    6.2 未来展望
参考文献
致谢
攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]基于影评挖掘的电影推荐系统设计与实现[J]. 刘慧,李凤银,禹继国,崔璨,葛睿.  电子技术. 2018(12)
[2]一种联合LTR和社交网络的Top-k推荐方法[J]. 熊丽荣,王玲燕,黄玉柱.  小型微型计算机系统. 2018(12)
[3]LBSN中融合信任与不信任关系的兴趣点推荐[J]. 朱敬华,明骞.  通信学报. 2018(07)
[4]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[5]基于多层次混合相似度的协同过滤推荐算法[J]. 袁正午,陈然.  计算机应用. 2018(03)
[6]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[7]基于标签和PageRank的重要微博用户推荐算法[J]. 王嵘冰,安维凯,冯勇,徐红艳.  计算机科学. 2018(02)
[8]基于改进协同过滤算法的个性化新闻推荐技术[J]. 黄贤英,熊李媛,李沁东.  四川大学学报(自然科学版). 2018(01)
[9]融合用户社会地位和矩阵分解的推荐算法[J]. 余永红,高阳,王皓,孙栓柱.  计算机研究与发展. 2018(01)
[10]基于建构主义学习理论的个性化知识推荐模型[J]. 谢振平,金晨,刘渊.  计算机研究与发展. 2018(01)



本文编号：3602365