检索结果-南通市图书馆

融合用户画像与混合推荐算法的在线图书个性化推荐研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合用户画像与混合推荐算法的在线图书个性化推荐研究

作者：王晶玉西安电子科技大学

学位级别：硕士

随着互联网技术的不断发展以及信息技术水平的不断创新与提高,我们迎来了大数据时代,网络上各种资源的信息总量已经达到了史无前例的水平。由于数据过多,用户越来越难从数量庞大的信息中获取那些对自己有价值的、高质量的信息,这就是所... 详细信息

随着互联网技术的不断发展以及信息技术水平的不断创新与提高,我们迎来了大数据时代,网络上各种资源的信息总量已经达到了史无前例的水平。由于数据过多,用户越来越难从数量庞大的信息中获取那些对自己有价值的、高质量的信息,这就是所谓的“信息过载”问题。网络图书领域同样面临着类似的问题,随着网络图书资源数量的不断增加,从数量庞大的网络图书资源中获取有价值、高质量的书籍越来越难。为了解决这个问题,实现网络图书资源的最佳利用,运用个性化推荐技术无疑是一个可行的处理思路,个性化推荐技术能够迅速地在网络图书资源以及可能需要这些图书资源的读者间建立联系,从而有效地提升网络图书资源的利用率,并提高服务质量。针对在线图书资源个性化推荐领域存在的冷启动、稀疏性、缺乏新颖性等问题,本文提出了一种网络图书资源个性化推荐算法,该算法结合了用户画像、改进的协同过滤技术以及基于Word2Vec的内容推荐技术。首先,从基本属性、兴趣属性和社交属性这三个维度构建了在线图书资源网站用户的用户画像,分别计算出三个维度的用户相似度,再赋予适当的权值对三种用户相似度进行融合得到基于用户画像的相似度。其次,针对基于用户的协同过滤算法存在的稀疏性问题对其进行了改进,使用加权Slope One算法对用户-图书评分矩阵进行填充,基于填充后的评分矩阵计算用户相似度得到基于改进的协同过滤的用户相似度。然后融合基于用户画像的用户相似度以及基于改进的协同过滤的用户相似度得到用户综合相似度,根据用户综合相似度找到相似用户,依据相似用户得到推荐结果。再次,基于Word2Vec生成词向量,通过对词向量进行聚类分别构建图书属性向量和用户兴趣向量,计算两种向量的相似度,基于该相似度产生基于内容推荐的推荐结果。最后,将基于综合相似度的推荐结果以及基于Word2Vec的内容推荐的推荐结果进行整合,得到最终推荐结果。本文所提出的算法既缓解了稀疏性及冷启动问题,又考虑了内容特征以及用户特征。本文爬取了图书评分网站Book Crossing的真实用户属性数据、用户评分数据以及图书属性数据,在该真实数据集上验证本文所提出的算法,根据研究结果显示,与传统算法相比,本文算法在推荐的准确率、召回率以及F1值这三个指标上均有显著提高。

关键词：用户画像协同过滤加权Slope One Word2Vec 在线图书推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于评分填充与信任信息的混合推荐算法

计算机应用 2020年第10期40卷 2789-2794页

作者：沈学利李子健赫辰皓辽宁工程技术大学软件学院辽宁葫芦岛125105 辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题,提出一种基于评分填充与信任信息的混合推荐的算法RTWSO(Real-value user item restricted Boltzmann machine Trust WSO)。首先,使用改进的受限玻尔兹曼机模型对评分矩阵进行填充,... 详细信息

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题,提出一种基于评分填充与信任信息的混合推荐的算法RTWSO(Real-value user item restricted Boltzmann machine Trust WSO)。首先,使用改进的受限玻尔兹曼机模型对评分矩阵进行填充,以缓解评分矩阵的稀疏性问题;其次,从信任关系中提取信任与被信任关系,并通过基于矩阵分解的隐含信任关系相似度来解决信任信息稀疏的问题,而且对原有算法进行了包含信任信息的修正,以提高推荐准确度;最后,通过加权Slope One(WSO)算法对矩阵填充与信任相似度信息加以整合,并对评分数据进行预测。在Epinions与Ciao数据集中验证算法性能,可见所提出混合推荐算法较组成算法在推荐准确度上提升3%以上,较现有社会化推荐算法SocialIT(Social recommendation algorithm based on Implict similarity in Trust)在推荐准确度上提升1.2%以上。实验结果表明,所提出的基于评分填充与信任信息的混合推荐算法在一定程度上提高了推荐准确度。

关键词：受限玻尔兹曼机加权Slope One 用户信任相似度矩阵分解评分预测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于降低数据稀疏度的协同过滤算法

计算机技术与发展 2024年第5期34卷 170-174页

作者：徐文涛王诚南京邮电大学通信与信息工程学院江苏南京210003

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推... 详细信息

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推荐准确度不高。传统slope one算法准确度不高,但其实现简单,运行效率高,可以用做稀疏数据预填充,从而改善相似度计算的准确度。因此,结合slope one算法,该文提出了一种基于降低数据稀疏度的协同过滤算法。首先对用户评分数据进行分层聚类,再使用Weighted slope one算法对高稀疏度数据集部分空白数据进行预测填充,从而大幅度降低数据稀疏度,提高了皮尔逊相似度计算的准确度,最后再引入对象属性偏好相似度进行融合。通过MovieLens 100 K数据集进行算法验证,从结果中可以清晰地看出其平均绝对误差(Mean Absolute Error,MAE)有所降低,证明该算法能在一定程度上提升推荐结果的准确度。

关键词：协同过滤数据稀疏度加权Slope One 皮尔逊相似度对象属性

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于聚类分析的协同过滤推荐算法研究

基于聚类分析的协同过滤推荐算法研究

作者：胡明珠长春工业大学

学位级别：硕士

随着智能化时代的到来,信息过载问题越来越严重。搜索引擎通过用户输入指定的关键词来筛选出与之相关的信息,在一定程度上缓解了信息过载的问题,但是其它用户可能喜欢但与关键词不相关的信息并未被充分挖掘运用,个性化推荐系统因此诞生... 详细信息

随着智能化时代的到来,信息过载问题越来越严重。搜索引擎通过用户输入指定的关键词来筛选出与之相关的信息,在一定程度上缓解了信息过载的问题,但是其它用户可能喜欢但与关键词不相关的信息并未被充分挖掘运用,个性化推荐系统因此诞生,协同过滤则是其中的主流技术之一。协同过滤算法不依赖于某一特定领域的专业知识,主要通过收集和分析大量关于用户以往行为的数据信息来产生推荐,不足之处则为存在冷启动,数据稀疏与扩展性差等问题,使得推荐的准确度降低。本文则基于当下现存问题对原有的协同过滤算法进行改进优化,主要工作包括如下几个方面:1.针对推荐算法的可扩展性问题,在协同过滤算法中引入聚类技术。区别于传统的包括k-means在内的硬聚类算法,本文采用软聚类算法Fuzzy C-Means进行聚类。同时考虑到传统聚类算法存在的聚类个数不易确定,影响实验效果的问题,引入了Canopy算法,将其聚类个数的输出作为Fuzzy C-Means算法c值的输入,提高聚类准确度。2.针对用户冷启动问题,提出基于用户聚类的协同过滤算法。以用户属性数据为基础,运用所提出的聚类算法对用户进行聚类处理。在用户最终相似度计算时提出融合用户属性相似度的加权相似度计算方法,保证新用户在没有评分数据的情况下同样可以基于属性相似度进行评分预测产生推荐。3.针对用户评分数据稀疏问题,提出基于项目相似度的加权Slope One算法。由于项目属性的高维性本文引入主成分分析算法对其进行降维处理,基于此将不同项目间的属性差异性引入到传统的加权Slope One算法之中,在用户所属的簇内进行未评分数据的预填充,并计算用户最终相似度从而预测评分产生推荐。4.基于公开数据集Movielens分别对本文提出的两种改进算法进行验证分析,实验结果证明本文提出的算法有效提升了数据丰富度,同时算法准确度亦高于其它传统的协同过滤算法。

关键词：信息过载个性化推荐协同过滤聚类加权Slope One

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合用户偏好和项目关联的协同过滤算法研究

融合用户偏好和项目关联的协同过滤算法研究

作者：赵森吉林大学

学位级别：硕士

随着信息时代的到来,海量的信息充斥着现在的社会生活,这对信息的生产者和用户来说都是一项巨大的挑战。推荐系统的产生为解决这个问题提供了有效的解决办法,作为信息生产者与用户之间的桥梁,它能够为用户筛选有价值的信息,同时也能够... 详细信息

随着信息时代的到来,海量的信息充斥着现在的社会生活,这对信息的生产者和用户来说都是一项巨大的挑战。推荐系统的产生为解决这个问题提供了有效的解决办法,作为信息生产者与用户之间的桥梁,它能够为用户筛选有价值的信息,同时也能够帮助信息生产者把自己的信息推广到对它感兴趣的用户面前。推荐系统的产生离不开协同过滤算法的发展,协同过滤算法是目前应用较为广泛的推荐算法。虽然目前协同过滤算法已经被应用到许多电子商务网站的推荐系统当中,但是仍然存在一些有待解决的问题。本文针对协同过滤算法中相似度计算未考虑实际场景影响的问题,对相似度计算方法做出了如下的改进:首先,提出了基于用户偏好的相似度计算的改进办法。本文针对热冷门物品对相似度计算的影响,采用热门物品惩罚因子来减少热门物品在相似度计算中所占的比重,并将这种因子引入到余弦相似度计算当中;考虑到用户共同评分项目数量对两用户相似度的影响,我们采用杰西卡相关度计算与改进的余弦相似度计算相结合的方式来进行用户相似度计算。其次,提出了基于项目关联的相似度计算的改进办法。针对传统的相似度计算只考虑项目评分,从而导致项目相关度计算不合理的问题,我们采用了项目的评分相似度与项目的语义相似度线性加权的方式来计算项目相似度。然后,将上述的改进办法以加权Slope One算法为载体,将上述提出的相似度计算方式应用到slope one算法当中,提出了一种融合用户偏好和项目关联的加权Slope One算法UI-slope one。最后,通过实验确定了上述两种改进方式中的两个参数的最合适取值,以及近邻用户集合的最适合取值。将两个参数代入公式其中,经过试验对比,可以证明,本文提出的改进后的相似度计算办法相对于传统的相似度计算,实验得出的MAE和RMSE值都较低,具有更好的评分预测效果。并且UI-slope one算法与其它两种针对slope one算法提出的优化方法相比,具有较好的评分预测效果。

关键词：协同过滤相似度计算加权Slope One 用户偏好项目关联

基于动态K近邻和多权值的slope one推荐算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态K近邻和多权值的Slope One推荐算法研究

作者：马浩重庆邮电大学

学位级别：硕士

互联网和信息技术的快速发展满足了人们对信息的需求,但人们在享受其带来便利的同时,也面临着信息过载的问题。为了解决这一问题,推荐系统应运而生,并在电影、社交、电子商务等多个领域得到了广泛的应用。推荐算法作为推荐系统的核心,... 详细信息

互联网和信息技术的快速发展满足了人们对信息的需求,但人们在享受其带来便利的同时,也面临着信息过载的问题。为了解决这一问题,推荐系统应运而生,并在电影、社交、电子商务等多个领域得到了广泛的应用。推荐算法作为推荐系统的核心,近年来一直是研究的热点,其中应用最广泛和成功的是协同过滤推荐算法。加权Slope One算法作为一种基于项目的协同过滤,其采用线性回归进行评分预测,简单、高效且易于实现,被广泛研究。然而该算法无差别对待所有用户数据,且未深入考虑用户或项目间的联系,其评分预测过程存在一定缺陷。因此,本文对此展开研究,具体的研究工作和创新点如下:1.针对加权Slope One算法在计算项目间评分偏差时,考虑了所有共同评分的用户,难免会引入大量干扰数据影响预测结果的问题,本文提出一种改进的基于动态K近邻的加权Slope One算法。首先,在修正余弦相似度的基础上引入平衡因子、时间权重和热门项目惩罚因子,并与欧几里得相似度进行组合来优化近邻度量方法。然后,设置用户相似度阈值和近邻数,以双重阈值的方式对近邻选择方法进行改进。最后,采用改进的动态K近邻方法筛选近邻用户集,以保证只有与目标用户偏好相似的用户数据才能参与到项目间评分偏差的计算中,从而提高评分预测的准确度。2.通过对干扰数据进行过滤,一定程度上提高了加权Slope One算法的预测准确度。但其评分预测的过程主要依赖项目间评分偏差和项目共同评分的用户数,而未深入挖掘用户或项目间的联系,在评分数据稀疏的情况下算法准确度并不理想。对此,本文提出一种改进的基于动态K近邻和多权值的slope one算法。该算法在之前改进基础上,分别将改进的用户相似度、信任度和项目相似度作为权重因子加权到评分预测的过程中,以区别对待不同的用户和项目,从而进一步提高预测的准确度。最后,在Movie Lens数据集中进行改进算法的实验验证。实验结果表明,改进后的算法有效地提高了评分预测的准确度。

关键词：协同过滤加权Slope One 相似度多权值评分预测

基于权重调节和用户偏好的混合协同过滤算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于权重调节和用户偏好的混合协同过滤算法研究

作者：马佳奇吉林大学

学位级别：硕士

互联网的发展让人们获取信息的方式越来越便利,但随之而来爆炸式增长的信息量,让用户如何从海量的信息中提取到有用的信息、提高信息的有效利用率成为亟待解决的问题。推荐系统的出现是解决这些问题非常有潜能的方向。且推荐系统是连接... 详细信息

互联网的发展让人们获取信息的方式越来越便利,但随之而来爆炸式增长的信息量,让用户如何从海量的信息中提取到有用的信息、提高信息的有效利用率成为亟待解决的问题。推荐系统的出现是解决这些问题非常有潜能的方向。且推荐系统是连接用户和信息的桥梁,现已应用在多个领域为用户、信息创造价值。推荐系统的成功应用离不开推荐算法的使用。现在应用较多的协同过滤算法从发展之初到现在已经成为互联网推荐中最常用的算法。关于协同过滤算法已经有学者做出了很多相关的研究,但是在数据稀疏、可扩展性等方面的问题仍然没有得到很好的解决。随着数据量的增加,这些问题会越来越突显。为了缓解数据稀疏和相似度计算不准确的问题,本文针对协同过滤算法做了以下方面的改进,具体内容如下:一.将加权Slope One算法引入到评分预测过程中,得到基于加权Slope One的混合协同过滤算法。通过加权Slope One算法基于项目的评分预测填充用户近邻集合内目标项目无评分的项目,缓解用户评分矩阵的稀疏性,提高了原协同过滤算法的推荐准确度。本文根据实验验证了算法的有效性。二.传统的相似度计算只考虑原有的用户项目评分信息使得相似度的计算不准确,因此提出了基于权重调节和用户偏好的混合相似度计算。首先融合反用户频率和共同评分行为的最小权重,降低流行物品的全局影响和共同评分数过少推荐准确度偏差。其次引入项目偏好词矩阵,在项目特征上计算有相同偏好的用户。最后将两者的相似度计算通过参数结合共同计算用户间的相似度,提高相似度计算的准确度。本文将相似度改进和加权Slope One预测填充后的协同过滤算法应用在MovieLens数据集中,通过分别实验对比分析,改进后的算法有较优的MAE、RMSE值,有更高的准确性,能够提升推荐效果。

关键词：权重调节用户偏好加权Slope One 协同过滤