面向稀疏评分数据的电影推荐技术研究

发布时间：2021-05-21 01:34

　　随着互联网的不断发展,网络数据呈现爆炸式增长。虽然海量的数据给人们的生活的方方面面带来了巨大的便利,丰富了人们对于信息的需求,但是巨大的数据量增加了人们获取对自身有用信息的困难程度,造成了信息过载。电影信息也是如此,随着电影的数量不断增加,用户找到自己喜欢电影的难度不断增加。如何从种类繁多、数量巨大的电影数据中找到每一位用户喜欢的电影成为研究热点。电影推荐系统作为能够处理这种问题的有效办法之一,已经成为电影提供商和研究人员研究的重点。电影推荐系统的核心是电影推荐算法,电影推荐算法的研究主要关注两个方面:top-N列表推荐和评分预测。top-N列表推荐的研究重点在于如何为用户生成满意的电影推荐列表,而评分预测则更加关注预测用户对某些电影的评分。矩阵分解推荐算法因为易于实现和时间复杂度较低的缘故,在电影top-N列表推荐中被广泛使用。但是,传统的矩阵分解推荐算法存在以下问题:当评分数据过于稀疏时,矩阵分解推荐算法的推荐性能会下降。另一方面,基于内存的协同过滤算法因为思想简单、易于实现等优点在电影评分预测中被广泛的使用,但评分数据的稀疏性和相似度的计算方法会严重影响协同过滤算法评分预测准确性... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究的背景及意义
    1.2 国内外研究现状
    1.3 主要工作
    1.4 论文结构
第2章 相关理论技术
    2.1 协同过滤算法
    2.2 相似度计算方法
    2.3 高斯混合模型
    2.4 深度矩阵分解推荐模型
    2.5 本章小结
第3章 非对称深度矩阵分解推荐模型
    3.1 模型介绍
    3.2 实验
    3.3 本章小结
第4章 基于高斯混合模型和改进Jaccard相似度的协同过滤
    4.1 算法框架
    4.2 构建交互矩阵
    4.3 改进Jaccard相似度
    4.4 评分预测
    4.5 算法流程
    4.6 实验
    4.7 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 后续研究展望
参考文献
致谢
攻读硕士期间取得的科研成果


【参考文献】：
期刊论文
[1]基于聚类和用户偏好的协同过滤推荐算法[J]. 王卫红,曾英杰.  计算机工程与应用. 2020(03)
[2]基于余弦相似度的加权K近邻室内定位算法[J]. 黄运稳,陈光,叶建芳.  计算机应用与软件. 2019(02)
[3]政府门户网站分类目录体系用户认知语境影响实验研究[J]. 李海涛,宋琳琳.  大学图书情报学刊. 2016(01)
[4]移动互联网研究综述[J]. 吴吉义,李文娟,黄剑平,章剑林,陈德人.  中国科学:信息科学. 2015(01)
[5]Dirichlet Process Gaussian Mixture Models:Choice of the Base Distribution[J]. Dilan Grür,Carl Edward Rasmussen.  Journal of Computer Science & Technology. 2010(04)

硕士论文
[1]基于矩阵分解的推荐算法研究[D]. 张艺豪.太原理工大学 2019
[2]个性化电影推荐系统的研究与设计[D]. 郝亮.电子科技大学 2019
[3]基于协同过滤的电影推荐系统的研究[D]. 叶龚兵.华南理工大学 2019
[4]基于电影评级的混合推荐算法研究[D]. 李晓越.吉林大学 2019
[5]信息过载背景下社交媒体用户倦怠及消极使用行为研究[D]. 李旭.山东财经大学 2018
[6]基于混合协同过滤的个性化电影推荐系统研究[D]. 刘文佳.武汉理工大学 2018



本文编号：3198804