混合多元信息的个性化服务推荐算法研究

发布时间：2023-04-24 23:16

　　随着互联网和大数据技术的蓬勃发展,“信息过载”问题催生了大量的个性化服务推荐系统。由于协同过滤算法具有较高的推荐准确度且在工程应用领域易于实现,因此在推荐领域中得到了广泛应用。然而,协同过滤算法发展至今始终面临着数据稀疏性、冷启动和可扩展性问题等挑战,仅利用单一的用户评分信息难以解决这些问题。随着网络用户群体的飞速增长和信息技术的进步,衍生了大量的多元信息,诸如用户的人口统计学信息、商品信息、社交网络信息等,这些多元信息为算法的优化带来了契机。如何利用丰富的多元信息来解决协同过滤算法中存在的问题成为个性化推荐的一个研究热点。本文以矩阵缺失值填充、基于用户的协同过滤推荐和K-Means聚类三种算法为研究基础,分析现有改进算法存在的不足,在推荐算法各执行阶段融合多元信息,具体内容如下:针对推荐系统中存在的“哈利波特”问题,本文提出了一种融合商品流行度惩罚因子的用户相似度计量方式,加大对热门物品的惩罚力度,提高推荐精度;对于使用皮尔森相关系数进行相似度计算时产生的“过高估计”问题,在前人使用Jaccard相关系数进行修正的基础上进一步细化局部评分项和整体之间的关系,进一步提高推荐准确度。针对...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 论文组织结构
第二章 个性化服务推荐技术
    2.1 主流推荐算法
        2.1.1 基于内容的推荐算法
        2.1.2 基于关联规则的推荐算法
        2.1.3 基于知识的推荐算法
        2.1.4 协同过滤推荐算法
        2.1.5 组合推荐算法
    2.2 主流推荐算法对比
    2.3 推荐算法评价指标
    2.4 本章小结
第三章 协同过滤推荐算法概述
    3.1 基于内存的协同过滤算法
        3.1.1 基于用户的协同过滤推荐算法
        3.1.2 基于项目的协同过滤推荐算法
        3.1.3 算法推荐流程
    3.2 基于模型的算法
        3.2.1 基于聚类的推荐算法
        3.2.2 基于矩阵分解的推荐算法
        3.2.3 其他基于模型的推荐算法
    3.3 推荐算法面临的挑战
    3.4 本章小结
第四章 融合项目流行度信息的个性化服务推荐算法
    4.1 引言
    4.2 融合项目流行度信息的相似度修正算法
        4.2.1 传统相似度计算方法修正
        4.2.2 融合项目流行度的相似度计算改进
    4.3 基于改进相似度计算的服务推荐算法实现
    4.4 实验结果与分析
        4.4.1 实验方案
        4.4.2 数据集
        4.4.3 实验环境
        4.4.4 评价指标
        4.4.5 实验结果分析
    4.5 本章小结
第五章 融合用户与服务项目属性的混合推荐算法
    5.1 引言
    5.2 混合服务推荐算法改进
        5.2.1 K-Means算法初始聚类中心最优值选取
        5.2.2 用户属性信息的融合
        5.2.3 项目属性信息的分析融合
        5.2.4 最近邻选择范围优化
    5.3 混合服务推荐算法的实现
    5.4 实验分析
        5.4.1 数据集简介
        5.4.2 实验环境
        5.4.3 算法评价指标
        5.4.4 参数设置与结果分析
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 展望
致谢
参考文献
攻读学位期间参加科研情况及获得的学术成果



本文编号：3800217