检索结果-南通市图书馆

融合聚类和改进相似度协同过滤在电影推荐系统上应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合聚类和改进相似度协同过滤在电影推荐系统上应用

作者：扶芳重庆理工大学

学位级别：硕士

随着移动终端和智能技术的普及,用户可以通过互联网上各种搜索引擎获取大量的电影信息并进行观看或评论。然而,随着电影资源的日益丰富和电影题材的多样化,用户很难从海量电影中挑选出自己感兴趣的电影。当搜索引擎无法满足用户需求的时... 详细信息

随着移动终端和智能技术的普及,用户可以通过互联网上各种搜索引擎获取大量的电影信息并进行观看或评论。然而,随着电影资源的日益丰富和电影题材的多样化,用户很难从海量电影中挑选出自己感兴趣的电影。当搜索引擎无法满足用户需求的时候,推荐系统成为满足用户选择的主要途径。尽管推荐算法不断更新,一定程度上缓解了电影资源过载的问题,但仍存在计算开销大、评分矩阵稀疏以及未考虑用户评价行为隐藏的情感因素和偏好等缺点。为解决上述问题,本文提出了一种融合聚类和改进相似度协同过滤算法。一方面,为解决传统协同过滤算法在进行用户近邻用户查找时需耗费巨大的计算成本且实时性不高,提高推荐系统性能。本文在协同过滤中融入聚类算法,利用Kprototypes算法对用户的特征信息进行聚类,然后用K-means算法结合用户对项目类别评分信息对基本用户进行聚类,生成两个聚类中心和两个用户类别所属的矩阵,然后再计算目标用户与这两个聚类中心的相似度,从而确定目标用户所属的类簇,最后将两个类簇的结果合并去重,得到了目标用户的最近搜索空间。另一方面,为解决在近邻用户搜索时传统的协同过滤在邻近用户查找时仅考虑用户评分的相似性,而未考虑用户对该项目评分时对该项目类别的偏好程度的不足,本文提出了一种考虑用户类别偏好的相似度度量算法,分析用户对项目类别的情感偏好,计算喜欢指数和不喜欢指数,基于喜欢指数和不喜欢指数计算用户喜欢类别间的相似度与不喜欢类别间的相似度,再融合基于用户评分的相似度形成综合的相似度,在融合聚类的的协同过滤中对相似度进行改良,从而提升对目标用户邻集的筛选,进而提高了推荐算法的预测效果。此外,为了验证算法的有效性,本文选择了MovieLens数据集并展开了实验。实验结果表明本文提出的算法能够有效改善传统协同过滤推荐算法性能。

关键词：推荐系统协同过滤 K-means聚类 K-prototypes聚类项目类别偏好

基于TF-IDF的情境后过滤推荐算法研究——以餐饮业O2O为例

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据分析与知识发现 2018年第11期2卷 28-36页

作者：殷聪张李义重庆理工大学重庆知识产权学院重庆400054 武汉大学信息管理学院武汉430072

[目的]深入研究融合情境信息的个性化推荐,缓解信息过载问题。[方法]本文提出基于TF-IDF的情境后过滤推荐算法,在改进现有算法的基础上,结合情境关联概率和情境普遍重要性构建情境偏好预测模型,对结合项目类别偏好的传统推荐初始评分进... 详细信息

[目的]深入研究融合情境信息的个性化推荐,缓解信息过载问题。[方法]本文提出基于TF-IDF的情境后过滤推荐算法,在改进现有算法的基础上,结合情境关联概率和情境普遍重要性构建情境偏好预测模型,对结合项目类别偏好的传统推荐初始评分进行调整生成最终推荐。[结果]以餐饮业为例的实证分析表明:相比改进前的算法,本文算法推荐效果更佳。[局限]情境关联获取的准确性有待提高。[结论]情境信息在用户行为与决策中尤为重要,未来需结合情境建模推荐范式对融合情境的个性化推荐算法进行更加深入的研究。

关键词：情境信息情境后过滤推荐 TF-IDF 情境偏好项目类别偏好

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

基于用户聚类的协同过滤推荐算法研究

基于用户聚类的协同过滤推荐算法研究

作者：明小红北京交通大学

学位级别：硕士

随着互联网的普及,大量无意义的数据给人们筛选有效信息带来巨大的困难。为了帮助人们快速有效的筛选信息,个性化推荐系统应运而生。推荐算法作为推荐系统的核心,一直是研究的重点。在众多的推荐算法中,协同过滤算法是应用最广泛的。协... 详细信息

随着互联网的普及,大量无意义的数据给人们筛选有效信息带来巨大的困难。为了帮助人们快速有效的筛选信息,个性化推荐系统应运而生。推荐算法作为推荐系统的核心,一直是研究的重点。在众多的推荐算法中,协同过滤算法是应用最广泛的。协同过滤算法通过对用户历史行为数据的挖掘发现用户的偏好,从而基于不同的偏好对用户进行群组划分并推荐品味相似的物品。然而,随着电子商务系统中用户数和项目数的不断增大,数据的稀疏性和推荐效率逐渐成为制约协同过滤算法发展的瓶颈。为了提高协同过滤算法的推荐质量和推荐效率,本文提出一种基于改进的用户聚类协同过滤推荐算法,并基于改进算法设计和实现了一个B/S架构的电影推荐系统。本文介绍了个性化推荐系统的发展背景和架构设计,给出了传统协同过滤算法的基本思想和面临的主要问题,从而从离线用户聚类和用户相似度计算两个方面改进了传统算法。对算法的改进主要体现在两个方面:一是综合考虑了用户评分信息和项目类别偏好信息对用户聚类的影响,提出一种联合用户聚类算法。该算法分别基于用户评分信息和项目类别偏好信息对基本用户聚类,产生两个聚类中心和两个用户类别所属矩阵,计算目标用户与两个聚类中心的相似度以及目标用户在不同聚类中所属的类簇,对结果合并去重后得到目标用户的最近邻居搜索空间。二是针对传统Pearson相关系数计算相似度时对绝对数值不敏感等问题,提出一种基于差异因子的加权Pearson相关系数计算方法,将评分差异因子作为权重来修正传统的Pearson相关系数。采用MovieLens数据集,以MAE值、准确率、召回率和F1值为度量标准,通过多组实验对改进算法、传统基于用户的协同过滤算法(CF)、传统基于用户聚类的协同过滤算法(UCCF)进行评估,实验结果表明改进算法能够有效提高推荐系统的推荐效率和推荐精度。本文基于改进算法设计并实现了电影推荐系统,系统采用豆瓣Top250电影信息作为数据集,使用PHP和Matlab混合编程实现,能够根据用户的偏好信息为用户提供个性化的推荐服务。

关键词：推荐系统协同过滤 k-Means聚类项目类别偏好 Pearson相关系数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合机制的电子商务个性化推荐研究

基于混合机制的电子商务个性化推荐研究

作者：王辉大连海事大学

学位级别：硕士

随着网络技术的迅速发展,电子商务也越来越普及和流行,随着信息量的增多,商品信息过载的现象越来越严峻,因此需要创建个性化服务的电子商务推荐系统,将真正满足用户需求的商品推到用户面前,提高网站的销售力。推荐算法是个性化推荐系... 详细信息

随着网络技术的迅速发展,电子商务也越来越普及和流行,随着信息量的增多,商品信息过载的现象越来越严峻,因此需要创建个性化服务的电子商务推荐系统,将真正满足用户需求的商品推到用户面前,提高网站的销售力。推荐算法是个性化推荐系统的核心。目前来说,协同过滤算法是应用最多的推荐算法,但是它在实际应用中还是有很多缺陷:如评分矩阵稀疏问题,推荐精度问题等等。本文采用了一种基于混合机制的个性化推荐技术,有效的解决了评分矩阵稀疏问题,提升了推荐的精度。本文的主要研究成果如下: (1)利用用户的注册信息,通过改进的K-means聚类算法对用户进行聚类,将有着相似个人信息的用户分到同一个簇中,这样就可以在簇中查找用户的最近邻,避免了在整个用户群上查找,提高了实时响应速度,并且间接的解决了冷开始的问题。 (2)将项目的属性分为m个维度,每个维度上有各自的属性特征值,得到属性特征值矩阵,通过计算两个项目间的属性特征的相似性,粗略得到稀疏矩阵中未评分项目的得分,充实了评分矩阵,为以后计算用户之间的相似性,做好了准备工作。 (3)传统的推荐算法中没有考虑到用户对项目所属类别的偏好,本论文提出了计算用户对项目类别的偏好值,进行组合推荐,提升了推荐的精度。 (4)最后设计了一个基于本文提出的推荐算法的电子商务个性化推荐系统框架,详细描述整个推荐流程,此框架可以应用在音像、文化等产品推荐上,也可以作为大型电子商务系统的子模块来运行。

关键词：改进的k-means聚类用户个人特征项目属性特征项目类别偏好

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户行为的电影推荐系统的设计与实现

基于用户行为的电影推荐系统的设计与实现

作者：冯康安徽理工大学

学位级别：硕士

随着互联网的快速发展,越来越多的网民习惯性地从网络中获取需要的数据来解决生活中的众多问题,但是网络上混杂的海量数据给人们筛选出自己想要的数据造成了巨大的困难。为了解决这一矛盾,个性化推荐技术应运而生。推荐算法作为个性化... 详细信息

随着互联网的快速发展,越来越多的网民习惯性地从网络中获取需要的数据来解决生活中的众多问题,但是网络上混杂的海量数据给人们筛选出自己想要的数据造成了巨大的困难。为了解决这一矛盾,个性化推荐技术应运而生。推荐算法作为个性化推荐系统的核心一直是被关注和研究的重点。在众多的推荐算法中,应用最为广泛的就是协同过滤算法。传统的协同过滤算法使用网民对项目评分作为算法的输入,忽略了用户行为(比如购买、收藏、转发、项目点击次数)对于项目评分的影响,进而造成项目评分不够准确、用户-项目评分矩阵过于稀疏,最终导致推荐效果精准度较低。为了提高个性化推荐技术的效率,本文提出了一种基于用户行为的聚类推荐算法,并且在该算法的基础上,实现了一个基于B/S架构的个性化电影推荐系统。该算法从两个方面进行了改进:一是综合考虑用户行为信息和项目类别偏好信息。首先通过实现豆瓣电影为开发人员提供的第三方接口获取到用户的web日志,进而提取到用户的行为信息。根据经验对不同的用户行为赋予不同的线性权重,将用户行为转换成对项目的评分用以填充稀疏的用户-项目评分矩阵。填充后的用户-项目评分矩阵在数据稀疏性上较之前有了一定程度的下降。其次根据填充后的用户-项目评分矩阵按照项目类别进行k-means聚类,产生多个聚类簇。计算目标用户与聚类簇的距离,将目标用户归入距离最近的簇类中。最后在目标用户所属类簇中,使用传统的基于用户的协同过滤算法为目标用户生成个性化推荐列表。二是考虑到传统得余弦相似度计算对于距离不敏感的问题,本文提出了一种融合评分差异度权重的计算方法。在计算目标用户所属聚类的最近邻时,提高了最近邻计算的准确性,最终提高了推荐的精确度。本文采用了豆瓣电影系统为第三方开发人员提供的接口获取相关的用户行为数据,采用了综合F1综合指标和准确率来衡量推荐算法的质量,通过对比传统的基于用户的协同过滤算法(CF),基于用户聚类的推荐算法(UCCF),证明本文提出的基于用户行为的聚类推荐算法(ABUCCF)的有效性。

关键词：协同过滤用户聚类用户行为项目类别偏好评分差异度权重