基于协同过滤的个性化图书推荐算法研究

发布时间：2023-02-05 12:21

　　随着信息技术和互联网的快速发展,以此产生的数据量呈指数级别增长,信息过载问题日益严重,人们很难从海量的信息中找到自己真正感兴趣的东西。个性化推荐技术,能够根据用户的年龄性别等社会化属性,历史行为等显性或隐性信息,采用多种推荐算法,主动为用户做出推荐,帮助用户进行决策。凭借其强大的信息推送能力,个性化推荐受到了传播学界的广泛关注。但是目前学界对于个性化推荐的研究多集中于其影响机制,对于个性化推荐算法本身的介绍很少,更没有优化其性能表现的推荐改进研究,推荐算法完全处于“黑箱”之中。本文首先对个性化推荐的主要算法进行了详细的文字描述和公式说明,并指出各自的优缺点以及适用场景:第一,用户相似度的计算上,如何引入新的特征属性来进行衡量,使得用户的近邻更加的准确;第二,热门物品的干扰性,采用什么样的策略能够对热门物品进行惩罚;第三,用户-物品评分矩阵的稀疏性问题。针对上述的问题,本文在过去的协同过滤算法的基础上,提出了新的改进方式,包括基于社群关系的信任模型,来提高用户相似度计算的准确性,从而改善个性化推荐的效果。最后本文改进的算法模型在豆瓣读书数据集上进行了实验,通过实验结果的对比说明了改进的协...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
一 绪论
    (一)研究背景及意义
        1 研究背景
        2 研究意义
    (二)国内外研究现状
        1 基于协同过滤推荐算法研究现状
            (1)基于记忆的协同过滤算法
            (2)基于模型的推荐算法
        2 基于内容的推荐算法研究现状
        3 混合推荐算法研究现状
        4 小结
    (三)研究方法
        1 计算机工程法
            (1)网络爬虫
            (2)算法实现
        2 数学建模法
        3 实验对照法
    (四)论文的内容与结构
        1 论文的主要内容
        2 论文的结构安排
二 个性化推荐及相关算法
    (一)个性化推荐概述
    (二)个性化推荐系统的主要应用领域
        1 电子商务
        2 电影和视频网站
        3 音乐
        4 新闻阅读
        5 社交媒体
    (三)个性化推荐相关算法
        1 基于内容的推荐
        2 协同过滤推荐算法
            (1)基于记忆的推荐
            (2)基于模型的推荐
        3 混合推荐算法
三 基于网络社群的信任关系以及热门物品惩罚改进的协同过滤算法研究
    (一)传统的协同过滤算法存在的问题
        1 数据稀疏性
        2 冷启动
        3 可扩展性
    (二)改进的协同过滤算法模型
        1 理论基础
            (1)网络社群与身份认同
            (2)身份认同与信任
            (3)信任与相似度的关系
        2 改进的思路
        3 改进的基于网络社群的信任关系和热门惩罚的算法模型
四 实验设计及结果分析
    (一)数据集及数据集获取
        1 实验数据集概述
        2 实验数据集选取
    (二)算法在数据集上的评测指标
        1 准确率
        2 精确率与召回率
        3 覆盖率
        4均方根误差(RMSE)和平均绝对误差(MAE)
    (三)实验环境
        1 硬件配置
        2 软件配置
    (四)实验方案
    (五)实验结果分析
五 总结与展望
    (一)全文总结
        1 本文的创新点如下
            (1)改进了传统的协同过滤算法用户相似度的计算方法
            (2)使用新颖、真实、更加落地的数据集
        2 本文不足
            (1)有限的解决数据稀疏性的问题
            (2)算法在数据集上的提升幅度不大
    (二)未来展望
附录
致谢
参考文献



本文编号：3734960