协同过滤个性化推荐技术的研究

发布时间：2017-09-24 23:00

  本文关键词：协同过滤个性化推荐技术的研究

  更多相关文章： 协同过滤 Slope One算法 模糊聚类 二阶段算法集成框架

【摘要】：推荐系统是解决信息超载问题的重要工具之一,它能根据用户以往的行为信息、评价信息来挖掘和学习用户的喜好,对用户的兴趣进行建模,进而为用户推荐新的内容,帮助用户发现新的兴趣。与其他信息检索工具(如搜索引擎)相比,推荐系统能够提供更加个性化的服务。它能够主动向用户推送其感兴趣的产品或信息,将信息检索的过程由“用户主动去寻找信息”转变为“用户被动接受信息”,把用户从费时费力的检索过程中解放出来。近些年来推荐系统在诸多领域,尤其是电子商务领域的成功应用使得学术界和产业界对推荐系统的兴趣有增无减。在现有推荐技术中,目前较为流行和成功的当属协同过滤推荐技术。与基于内容的推荐技术相比,协同过滤推荐技术不依赖于推荐项目的内容,同时具备发现用户新兴趣的能力,因而得到了广泛应用。然而,协同过滤技术仍面临着诸多挑战,数据稀疏性和算法伸缩性等问题仍有待解决,算法的预测精度仍有较大提高空间。本文针对协同过滤技术所存在的问题做了以下工作:1)研究了主要的协同过滤推荐算法,详细阐述每种算法的原理和特点,并通过一系列实验比较了它们在不同数据集、不同数据稀疏程度下的性能,分析了不同算法之间性能差距的原因。2)提出了一种使用模糊聚类技术改进的Slope One协同过滤推荐算法。相比原始的Slope One算法,该算法有更好的预测精度和伸缩性,同时模糊聚类技术和数据平滑机制使得该算法在稀疏数据集上有较好表现。3)采用集成学习的方法设计了一种二阶段算法集成框架。这种二阶段集成框架可以将多种协同过滤算法模型进行互补式集成,获得了更好的性能。
【关键词】：协同过滤 Slope One算法 模糊聚类 二阶段算法集成框架
【学位授予单位】：西北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要6-7
• Abstract7-10
• 1 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 推荐系统的研究现状和面临的挑战11-13
• 1.3 几个具有代表性的推荐系统13-14
• 1.4 本文的研究内容及章节安排14-16
• 2 协同过滤推荐算法的介绍与性能比较16-29
• 2.1 基于记忆的协同过滤16-18
• 2.1.1 基于用户的协同过滤16-18
• 2.1.2 基于项目的协同过滤18
• 2.2 基于模型的协同过滤18-22
• 2.2.1 Slope One18-20
• 2.2.2 基于矩阵分解的协同过滤20-22
• 2.2.3 基于聚类的协同过滤22
• 2.3 推荐算法评价指标22-24
• 2.4 主要协同过滤推荐算法的性能比较实验24-28
• 2.5 本章小结28-29
• 3 一种基于模糊聚类的Slope One协同过滤推荐算法29-45
• 3.1 引言29
• 3.2 模糊聚类的定义及优势29-31
• 3.3 基于模糊聚类改进的Slope One推荐算法31-39
• 3.3.1 算法思想31-35
• 3.3.2 数据预处理:一种高效的数据平滑算法35-36
• 3.3.3 使用模糊聚类技术处理用户数据36-38
• 3.3.4 生成预测结果38-39
• 3.4 实验分析39-44
• 3.4.1 实验数据集、评价指标和实验方法39-40
• 3.4.2 实验结果及分析40-44
• 3.5 本章小结44-45
• 4 推荐算法的集成——一种二阶段算法集成框架45-52
• 4.1 引言45
• 4.2 二阶段算法集成框架45-50
• 4.2.1 一阶段集成——残差集成46-47
• 4.2.2 二阶段集成——线性回归集成47-50
• 4.3 实验及分析50-51
• 4.4 本章小结51-52
• 5 总结与展望52-53
• 5.1 工作总结52
• 5.2 未来展望52-53
• 致谢53-54
• 参考文献54-56

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e，

本文编号：913934