结合评分偏好和属性评分的推荐算法研究

发布时间：2022-08-07 17:57

　　互联网的飞速发展,不仅加快了人们生活的步伐,提高了生活质量,同时也为互联网自身带来了巨大的数据信息。从旧时代堆积如山的书本到现在密密麻麻的文件列表,存储方便的同时也导致了数据处理的困难。而推荐系统自诞生以来,给人类带来了巨大的利益与便捷。推荐系统虽已成熟但非完美。本文从用户和项目两个角度出发,多角度去研究用户及项目之间的相似度,并融入现今流行的文本处理和深度学习模型,研究如何改进和挖掘用户或项目的更深层信息,从而提高系统的性能。本文主要研究内容如下:1.相似性分析。本文一方面从优化相似度度量公式出发,在现有的基本相似度公式基础上进行改进,通过减小用户之间存在的用户评价值差异去减小个性用户的偏好和行为差异所带来的影响,进而优化用户相似度,获得更准确的目标用户群体。另一方面考虑了系统的冷启动问题,将用户的属性信息融入到改进的相似度计算公式中,改善了系统对新用户或无历史行为数据的用户的推荐不友好问题。最后通过公开数据实验,验证了改进后的算法的优越性,提高了系统的推荐水平。2.文本处理。传统推荐算法分析的目标数据过于简单,使得其从中获取到的有效信息较少,而影响了系统的推荐能力。文本处理方法很好... 

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 基于协同过滤的推荐系统研究现状
        1.2.2 基于文本处理的推荐系统研究现状
        1.2.3 基于深度学习的推荐系统研究现状
        1.2.4 发展趋势
    1.3 本文主要研究内容及创新点
    1.4 本文组织结构
第二章 相关理论与技术
    2.1 相关概念
        2.1.1 推荐系统
        2.1.2 深度学习
    2.2 推荐系统分类
    2.3 推荐系统相关理论与技术
        2.3.1 相似度计算理论
        2.3.2 评分预测
        2.3.3 评测标准
    2.4 本章小结
第三章 基于改进用户属性的协同过滤算法
    3.1 相关工作
    3.2 改进算法描述
        3.2.1 基于评分偏好的用户相似性
        3.2.2 基于改进用户属性评分的协同过滤算法
    3.3 实验设计及结果分析
    3.4 本章小结
第四章 结合深度学习及词向量的多维推荐模型
    4.1 深度学习模型构建
    4.2 项目属性相似度提取
    4.3 整体模型设计
    4.4 实验设计与结果分析
        4.4.1 实验设计
        4.4.2 结果分析
    4.5 本章小结
第五章 结论
    5.1 本文总结
    5.2 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]基于物品融合自编码器的协同过滤推荐算法[J]. 王东,薛峰,刘凯,陈思洋,张浩博.  计算机应用. 2019(S1)
[2]基于自适应样本权重的矩阵分解推荐算法[J]. 石晓玲,陈芷,杨立功,沈伟.  计算机科学. 2019(S1)
[3]基于SVD填充的混合推荐算法[J]. 刘晴晴,罗永龙,汪逸飞,郑孝遥,陈文.  计算机科学. 2019(S1)
[4]融合信任和基于概率矩阵分解的推荐算法[J]. 田保军,杨浒昀,房建东.  计算机应用. 2019(10)
[5]基于栈式降噪自动编码器的动态混合推荐算法[J]. 李梦梦,夏阳,李心茹,徐婷,魏思政.  计算机工程. 2019(08)
[6]基于循环神经网络的推荐算法[J]. 高茂庭,徐彬源.  计算机工程. 2019(08)
[7]基于标签分类的协同过滤推荐算法[J]. 朱峥宇,曹晓梅.  计算机应用研究. 2019(08)
[8]融合社交行为和标签行为的推荐算法研究[J]. 蒋云,倪静,房宏扬.  计算机应用研究. 2019(07)
[9]一种结合主题模型的推荐算法[J]. 曹占伟,胡晓鹏.  计算机应用研究. 2019(06)
[10]基于堆栈降噪自编码器改进的混合推荐算法[J]. 杨帅,王鹃.  计算机应用. 2018(07)



本文编号：3670780