检索结果-南通市图书馆

作者：李静哈尔滨工业大学

学位级别：硕士

伴随着互联网的不断快速发展,使用互联网的用户数量也在随之不断的快速增长,由于用户的不断增长使得用户对于网站内容的要求也越来越高,网站的运营活动也越来越丰富,用户在访问众多的网站的同时,对网站的要求也在不断的升高,因此,能够... 详细信息

伴随着互联网的不断快速发展,使用互联网的用户数量也在随之不断的快速增长,由于用户的不断增长使得用户对于网站内容的要求也越来越高,网站的运营活动也越来越丰富,用户在访问众多的网站的同时,对网站的要求也在不断的升高,因此,能够在最短的时间,满足用户最需要的需求,同时选择用户最有可能有需求意向的结果推送到用户面前,才能更好的服务于用户。因此在面向云服务的推广平台中实现了推送功能,旨在帮助用户更好、更快、更方便完成需求选择。本文详细的介绍了云服务产品的相关研究现状,并且对于个性化的推荐研究现状也进行了相关的介绍,在对上述两方面的介绍为后期的系统开发提供了相应的参考价值。同时介绍了实现推送对在线和离线数据的相关分析。在需求分析的阶段,主要是从功能性的需求、非功能性的需求等需求方面进行了相关的需求分析,根据对平台的需求分析,对平台做了详细的设计,从功能不同的角度出发,将平台划分为服务推荐子系统、用户体验子系统、产品管理子系统、用户管理子系统、客户服务子系统。其中,服务推荐子系统是该平台的核心功能,旨在为用户在短时间内推送用户最有需要的云服务,其他系统在完成各自的功能以外还需要为服务推荐子系统提供相应的数据。实现服务推送功能使用离线数据处理和在线推荐完成,离线数据处理时进行了数据的预处理,数据清洗进行第一步的数据筛选,使用特征的向量的方式用来表示出用户的特征和云服务产品的特征,采用Trie树的数据结构保存词库,采用最大逆向匹配算法从云服务产品的描述中提取更多的标签,同时采用Z分数来衡量特定用户对某一云服务产品的评分,在用户评分预测中采用slope one算法从两个角度考虑用户推荐评分,以达到更精确的推送结果。本文设计和实现了面向云服务的体验推广平台,通过对大量用户行为、用户特征、云服务产品特征进行数据处理和分析,支持对用户兴趣的计算和用户潜在偏好的预测,能够确保用户偏好信息的响应速度和有效性,同时加强了数据的有效管理,为推送提供了基础数据的分析和支持。此系统已经上线使用。该系统不仅有效的提高了云服务产品的点击率,同时增加了用户对云服务产品的体验率,提高了用户的满意度。

关键词：离线数据处理在线推荐 slope one算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

混合协同过滤推荐算法研究

混合协同过滤推荐算法研究

作者：程相智北京工业大学

学位级别：硕士

随着互联网技术的快速发展,人类已经进入了信息时代。人们在快速分享信息的同时,不得不面临由于信息暴增带来的信息过载问题。为了有效地解决该问题,推荐系统得到了快速地发展,通过分析用户的行为和项目的属性,主动获取用户的兴趣,为用... 详细信息

随着互联网技术的快速发展,人类已经进入了信息时代。人们在快速分享信息的同时,不得不面临由于信息暴增带来的信息过载问题。为了有效地解决该问题,推荐系统得到了快速地发展,通过分析用户的行为和项目的属性,主动获取用户的兴趣,为用户提供个性化的推荐服务。协同过滤推荐算法是目前应用最广泛的推荐算法之一,该算法通过分析用户的历史数据,可以准确地得到推荐结果。然而随着系统内用户和项目数量的快速增长,该算法仍面临着用户兴趣漂移、马太效应、推荐精度等问题。本文将从用户兴趣、马太效应、时间效应、推荐精度上对协同过滤算法进行研究,从而对上述问题进行有效优化和改进,主要工作如下:针对用户兴趣的问题,本文引入了用户活跃度、用户活跃度衰减因子和用户间的兴趣相关程度的概念,提出了一种融入用户活跃度和用户兴趣的混合相似度算法。针对马太效应和时间效应的问题,本文首先引入了项目流行度影响力因子,提出了一种融入用户行为与项目特性的协同过滤算法,然后通过构建基于时序的用户、项目网络图,提出了一种新的用户、项目间的影响力因子构建过程。针对推荐精度的问题,本文以经典的slope one算法为模型,首先利用改进的混合相似度算法和加权皮尔逊算法,提出了一种融入相似度的混合推荐算法;然后通过构建影响力因子,提出一种融入影响力的混合推荐算法。同时,本文对上述这些研究重点都依次设计了严谨的验证实验。结果表明,在引入了用户兴趣相关程度,用户影响力等因子后,能够有效地对协同过滤算法的准确率、召回率、覆盖率、新颖度指标上起到明显的提升效果。经过上述的研究,为今后学术界对于协同过滤算法的改进和发展提供了有效的借鉴和指导,从而使得协同过滤算法能够得到更广泛的应用。

关键词：相似度协同过滤算法 slope one算法混合推荐

基于融合时间因子和项目聚类的概率矩阵分解推荐算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于融合时间因子和项目聚类的概率矩阵分解推荐算法研究

作者：丁岚吉林大学

学位级别：硕士

随着互联网云计算的崛起,用户已不再为缺少数据资源而发愁,取而代之的是如何从众多数据资源中找到符合自己兴趣的,用户面对巨大的数据量常常显得束手无策。因此,推荐系统应运而生,既可为用户个性化定制又节约了用户时间的推荐系统成为... 详细信息

随着互联网云计算的崛起,用户已不再为缺少数据资源而发愁,取而代之的是如何从众多数据资源中找到符合自己兴趣的,用户面对巨大的数据量常常显得束手无策。因此,推荐系统应运而生,既可为用户个性化定制又节约了用户时间的推荐系统成为一种迫切需要。个性化推荐系统不仅帮助了在海量数据中感到困惑的用户,把用户从不能满足自己真正需求的困境中拉出来,还提高了对信息的利用率。推荐系统已经在很多领域成功应用,比如电子商务、视频网站、各大门户网站等。由此可见,对推荐算法进行改进与创新具有十分重大的社会价值和现实意义。基于模型的协同过滤算法是现如今用途最广泛的推荐算法之一,此外,概率矩阵分解模型具有良好的推荐效果。它通过学习用户或项目的潜在特征,把高维矩阵分解成低维的近似矩阵来进行推荐,能够有效处理海量数据。现有的协同过滤推荐算法都存在一些缺陷,如数据太过稀疏以及忽略了用户兴趣随时间的变化等问题。针对以上推荐算法存在的不足,本文提出了一种基于融合时间因子和项目聚类的概率矩阵分解推荐算法,利用时间衰减函数挖掘用户间潜在的特征关系并寻找与目标用户最相似的用户集合,利用项目聚类的方法找到项目间潜在的特征关系并找出与目标项目最相似的项目集合,然后将其与概率矩阵分解算法相结合。针对数据的稀疏性本文提出了一种基于用户近邻的加权slope one算法的填充模型。在利用融合用户最近邻的加权slope one算法模型为评分矩阵进行填充,在考虑了项目间偏差的同时增加了对当前目标用户最近邻的筛选,以保证只有和当前目标用户偏好相似的用户,其评分才参与推荐。其优点是使用数量较少然而质量高的数据帮助目标用户预测其对商品的喜好,使得推荐结果更精准。通过在真实电影数据集上与其他算法进行对比分析,可以看出本文所提出的算法有更好的推荐效果,给出的推荐列表更符合用户的个人偏好和需求。本文提出的算法在视频直播和电影推荐领域和以前传统的推荐算法相比可以有效地解决数据稀疏性和冷启动问题,并很好的考虑了随着时间流逝用户兴趣偏好的改变带来推荐结果不准的情况。在今后的工作中,将进一步研究并解决时间因素在项目关系中的影响,以及节假日、季节的变换会对用户的偏好产生的影响,相信在不断的学习和深入研究之后,将会得到更好的推进结果。

关键词：协同过滤 slope one算法时间衰减函数概率矩阵分解项目聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于邻域协同过滤推荐算法的研究及应用

基于邻域协同过滤推荐算法的研究及应用

作者：何俊景德镇陶瓷大学

学位级别：硕士

互联网的快速发展迎来电子商务繁忙时代,同时也衍生出信息过载问题。电影是人们日常生活中比较热门的娱乐休闲项目,如何从海量的电影资源中快速找到用户喜欢的电影并推荐给用户。为了解决这个问题,电影推荐系统应运而生,其核心思想是根... 详细信息

互联网的快速发展迎来电子商务繁忙时代,同时也衍生出信息过载问题。电影是人们日常生活中比较热门的娱乐休闲项目,如何从海量的电影资源中快速找到用户喜欢的电影并推荐给用户。为了解决这个问题,电影推荐系统应运而生,其核心思想是根据用户的偏好以及观影动作行为,使用算法程序自动的为目标用户推荐其感兴趣的电影信息。在推荐系统中,协同过滤推荐算法技术的应用最为广泛,但是,目前仍存在数据稀疏和噪声数据干扰等问题,使推荐系统的准确度有所下降。为了解决上述存在的问题,本文在前人研究基础上提出了算法改进,将KNN算法和slope one算法进行优化,提出了基于影响因子的KNN算法和基于KNN邻域的加权slope one算法,目的是为了提升推荐算法的准确性,并在电影推荐系统中加以实现,具体内容如下:(1)详细阐述推荐系统的研究背景和意义,从推荐系统中推荐算法的角度分别对国内外研究状况进行了介绍,确定了本文主要研究的内容,同时研究了推荐系统的算法及流程,分析协同过滤推荐算法中存在的问题。(2)对于传统的推荐算法中的KNN算法存在的问题,如噪声数据的干扰问题、不同相似度的近邻用户对评分影响作用相同导致的预测准确度下降的问题,提出了一种基于影响因子的KNN改进算法。该算法目的是让最相近用户的评分在最终的评分结果中占据更大的权重,利用MovieLens数据集进行验证,实验结果表明,改进的KNN算法不但能避免噪声数据对预测结果的影响,还能提高KNN算法预测评分的准确度。(3)对于slope one算法中存在的相似度极低削弱高相似度的作用效果问题,提出了一种基于KNN邻域的slope one改进算法。该算法首先从目标用户中发现相似度高的K个用户开始,然后根据这些K个用户的评分来计算目标项目对其它项目的偏差大小,通过引入偏差来预测目标用户对该项目的评分。实验结果表明,基于KNN邻域的slope one改进算法能够使用少量但质量高的评分去预测评分,不但在一定程度上改善协同过滤中存在的数据稀疏性问题,还可以提高slope one算法中预测评分的准确度。(4)根据目前资讯类电影网站的不足,设计并实现基于以上改进算法的电影推荐系统,该系统具备电影的发布、删除、修改、查询和推荐等功能,不仅能够查看电影同时能分析用户的兴趣偏好,形成准确的推荐列表,提升用户体验,从根本上解决传统电影资讯网站的弊端。

关键词：协同过滤推荐系统 KNN算法 slope one算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信任网络的个性化推荐算法研究

基于信任网络的个性化推荐算法研究

作者：郭文健曲阜师范大学

学位级别：硕士

随着互联网应用系统的快速发展,Web服务已成为互联网中非常重要的计算资源和软件资产。针对在分布式环境下的可信服务推荐及个性化选择问题,实现服务的按需发现,成为面向服务计算的关键问题和重要环节。目前,使用较多的解决办法是信息... 详细信息

随着互联网应用系统的快速发展,Web服务已成为互联网中非常重要的计算资源和软件资产。针对在分布式环境下的可信服务推荐及个性化选择问题,实现服务的按需发现,成为面向服务计算的关键问题和重要环节。目前,使用较多的解决办法是信息检索系统和个性化推荐系统。信息检索系统通过关键字获得的反馈信息往往具有一致性,由于各种信息和传播的途径是多元化的,互联网用户对于信息的使用也是个性化的,用户对于信息的复杂需求通常不能被满足。另外,信息检索系统还包括了许多互联网用户不需要的信息,查找获取数据的效率不高。个性化的推荐系统可以寻找出互联网用户的兴趣爱好,将互联网信息推荐给用户,进而使互联网用户明确自身的偏好需求。用户不仅可以享受该系统所提供的个性化推荐服务,还会对个性化系统生成依赖性。本文介绍了传统推荐算法的主要思想,将信任网络的概念引入到推荐算法中,结合用户的信任数据和历史评分数据,得到推荐用户的可信集合。运用用户的属性特征赋权模式,改善了单纯使用相似度推荐模式的片面性。对于slope one算法进行了深入的分析,利用改进后的赋权slope one算法,获得最终的评分。本文提出的算法执行效率更高,并且在平均绝对误差、准确率和召回率方面得到了增强,具体研究内容如下:(1)提出了一种基于信任网络的加权slope one推荐算法。首先对信任关系进行计算赋值,获得信任度空间。然后应用信任推荐算法,得到推荐用户的可信集合。最后将信任网络的评分值和赋权slope one算法的评分值结合在一起,形成最终的评分,使用Top-N方法完成推荐。经过进行仿真实验,将基于信任slope one推荐算法与经典推荐算法进行平均绝对误差、准确率和召回率的对比,该算法的平均绝对误差、准确率和召回率得到了增强,推荐效果得到显著提高。(2)提出了基于用户属性聚类的混合推荐方法。在个性化筛选方面,将满足用户兴趣和行为需求的筛选问题建模为多属性决策问题。针对单一使用相似度的推荐模式的局限性,提出了基于用户属性特征的赋权模式,以更加贴近实际的方式克服单纯使用相似度推荐模式的片面性,为选取优质合适的物品提供重要依据,保证推荐服务有效复用。实验证明了改进的算法在平均绝对误差、准确率和召回率上要强于传统的协同过滤算法,执行效率更高。算法应用对软件及商业平台推送高效服务具有十分重要的意义。

关键词：信任网络 slope one算法属性聚类相似度推荐算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的协同过滤算法的个性化推荐研究

基于改进的协同过滤算法的个性化推荐研究

作者：韩媛中国石油大学(北京)

学位级别：硕士

当前正处于互联网高速发展阶段,数据规模急剧扩大,出现了“信息过载”的现象。简单信息检索的方式已经无法满足用户的需求,为了能够帮助人们快速有效地筛选出符合个性化需求的信息内容,推荐系统随之产生。协同过滤算法在个性化推荐领域... 详细信息

当前正处于互联网高速发展阶段,数据规模急剧扩大,出现了“信息过载”的现象。简单信息检索的方式已经无法满足用户的需求,为了能够帮助人们快速有效地筛选出符合个性化需求的信息内容,推荐系统随之产生。协同过滤算法在个性化推荐领域应用最为广泛,但目前面临数据稀疏性及可扩展性的问题,影响推荐效果。为此,本文提出一种基于用户聚类与矩阵填充的协同过滤算法。主要工作如下:(1)为进一步挖掘用户的兴趣,本文将原始的用户评分矩阵与物品类型属性矩阵相结合,构建出用户关于物品类型的用户兴趣偏好矩阵。然后,对用户兴趣偏好矩阵在用户维度上进行聚类,利用粒子群算法找到最优初始聚类中心,并结合K-Means算法,将具有相似兴趣偏好的用户划分一个类簇中。(2)针对数据稀疏性问题,本文提出一种基于物品类型相似的加权slope one算法进行矩阵填充,由于原始加权slope one算法未考虑用户间、物品间的相似性,所以本文根据物品的类型属性计算物品间的相似度,选取相似度较高的前M项作为邻居物品,并将相似度作为权重融入到原始加权slope one算法中。然后,基于用户聚类,在每个用户簇内分别使用基于物品相似的加权slope one算法进行评分预测,并将预测值回填至原始用户评分矩阵。(3)针对填充后的评分矩阵,在每个用户簇内通过引入惩罚因子计算簇内用户间的相似度,只需在目标用户所在簇中寻找其近邻用户,并进行评分预测以及物品推荐。大大缩小了近邻搜索查找的范围,提高了可扩展性。(4)本文基于MyAnimeList数据集,对每一步过程进行了有效性验证,同时确定了最佳聚类簇数K为8,近邻物品数目M为1200时矩阵填充效果最好,基于此,将本文算法与传统的协同过滤算法进行对比,实验结果表明本文算法MAE和RMSE均有所改善,并在近邻用户数目为15时达到最优,能够有更好的推荐,有效缓解了数据稀疏性,提高了可扩展性。

关键词：协同过滤算法数据稀疏性 K-Means聚类 slope one算法惩罚因子

基于麻雀搜索优化模糊C均值聚类的推荐算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于麻雀搜索优化模糊C均值聚类的推荐算法研究

作者：王丽桂林理工大学

学位级别：硕士

随着网络和信息技术的快速发展,各种各样的信息呈量级剧增,过量的信息已经严重影响了用户对信息获取的准确度,聚类算法和推荐算法的出现就有效地缓解了这一问题。通过聚类分析将相关性高的信息聚集成类,再把有用的信息推荐给用户。模糊... 详细信息

随着网络和信息技术的快速发展,各种各样的信息呈量级剧增,过量的信息已经严重影响了用户对信息获取的准确度,聚类算法和推荐算法的出现就有效地缓解了这一问题。通过聚类分析将相关性高的信息聚集成类,再把有用的信息推荐给用户。模糊C均值聚类(Fuzzy C-Means Clustering,FCM)算法能够对现实中没有明确界限的数据集进行有效聚类,但它存在着对数据进行初始聚类时,无法确定聚类中心的问题。协同过滤推荐(Collaborative Filtering,CF)是目前最常用的推荐算法之一,但是随着用户数量和信息数量的大量增加,数据集的稀疏程度越来越高,且算法中还存在着数据可扩展性差和冷启动等问题。本文的主要工作有:针对麻雀搜索算法(sparrow search algorithm,SSA)存在对初始值敏感,在迭代后期种群缺乏多样性,以及难以跳出局部最优值等问题,采用Logistic混沌初始化麻雀种群位置,提升初始种群质量;并引入反向精英学习策略优化发现者位置更新方式,增强算法的全局开发能力;借助二次插值策略保证了种群多样性和种群抗停滞能力,提高局部搜索能力,避免算法过早收敛。针对模糊C均值算法对数据进行初始聚类时,无法合理确定聚类中心点的缺陷,设计了基于改进麻雀搜索优化的模糊C均值聚类算法(ISSA-FCM),采用麻雀搜索算法来确定FCM的初始聚类中心位置。该算法有效地缓解了由于初始聚类中心的位置过于集中而陷入局部极值的问题,实验结果表明,基于改进麻雀搜索的FCM算法的聚类效果得到了改善,聚类准确率得到了有效提高。针对协同过滤算法在对稀疏性高的数据集进行推荐时,推荐效果不佳的问题,提出一种基于聚类的协同过滤推荐算法(ISSAFCM-CF)。使用主成分分析法对项目属性进行降维处理,提取用户特征属性,构建用户兴趣偏好矩阵;利用slope one算法填充评分矩阵中未打分的项目,在一定程度上能够解决数据集稀疏度高的问题;使用ISSA-FCM算法分别对用户和项目进行聚类,使用ISSAFCM-CF推荐算法完成项目推荐工作。在电影评分数据集Movielens上与其他相关的推荐算法进行实验对比,实验结果表明,ISSAFCM-CF推荐算法可以较为准确的预测出用户感兴趣的电影,使推荐系统为用户做出更加准确的电影推荐。

关键词：麻雀搜索算法模糊C均值聚类 slope one算法协同过滤推荐

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Hadoop的图书推荐系统研究

基于Hadoop的图书推荐系统研究

作者：游会迪华北理工大学

学位级别：硕士

在电子图书领域,存在着大量的用户对其看过的书籍的借阅及评分等信息,那么如何从这么多的信息中挖掘出读者的读书偏好,对用户提供个性化的推荐,对于提升用户的体验至为重要。另外,随着用户、图书量及其数据处理量的不断增多,可扩展性的... 详细信息

在电子图书领域,存在着大量的用户对其看过的书籍的借阅及评分等信息,那么如何从这么多的信息中挖掘出读者的读书偏好,对用户提供个性化的推荐,对于提升用户的体验至为重要。另外,随着用户、图书量及其数据处理量的不断增多,可扩展性的问题成为了限制推荐系统发展的一个瓶颈,而将Hadoop分布式大数据处理平台运用到推荐系统上可以有效地解决这个问题。论文首先对应用较为广泛的推荐算法、Canopy算法、模糊c均值聚类算法等进行了总结分析,详细说明了大数据平台Hadoop中主要的组成部分HDFS(分布式文件存储系统)、MapReduce分布式处理框架和Sqoop的工作原理,并结合推荐系统的通用模型,设计了一个基于Hadoop的推荐系统架构,详细介绍了系统中每个模块的设计思想。其次,论文对slope one算法进行深入分析,提出了基于聚类的slope one推荐算法:先对用户进行模糊聚类,再计算出目标用户归属度大于某个阈值的类,再在这些最近邻类中找到top-k项最近邻用户,计算出目标用户与这些最近邻居用户之间的相似程度,并且以此作为项目之间评分差值的权重。考虑到用户兴趣随时间的变化,采用改进的时间衰减函数对项目评分值进行加权处理,以此来反映用户兴趣随时间的变化。而为了避免模糊聚类算法对初始聚类中心和聚类数目选取的盲目性,利用Canopy算法对其进行优化。同时,在Hadoop平台上实现了改进算法的MapReduce并行化处理。之后,在Hadoop集群上利用豆瓣用户-图书评分数据集对改进的推荐算法的性能进行测试分析,从实验结果中可以看出来,改进的算法的准确度要比传统的slope one算法有明显的提高,另外,还比较了分布式环境下和单机模式下的算法性能,分布式下的推荐算法执行苏速率更高,从而,说明了改进算法的有效性和高效性。最后,实现了改进slope one的算法,并对图书推荐的结果进行展示。

关键词： Hadoop 图书推荐 slope one算法模糊聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于协同过滤的推荐算法研究

基于协同过滤的推荐算法研究

作者：赵小文西安电子科技大学

学位级别：硕士

随着互联网技术的飞速发展,社会进入了信息时代,这给人们的生活带来了极大的便利,但同时也带来了一些问题,“信息过载”就是困扰人们生活的问题之一。互联网上的数据是以指数级的速度增长的,数据爆炸式的增长使得人们想要在这庞大的数... 详细信息

随着互联网技术的飞速发展,社会进入了信息时代,这给人们的生活带来了极大的便利,但同时也带来了一些问题,“信息过载”就是困扰人们生活的问题之一。互联网上的数据是以指数级的速度增长的,数据爆炸式的增长使得人们想要在这庞大的数据中找到自己所需的信息变得十分困难,而推荐系统是解决“信息过载”问题的重要工具,所以成为当前的一大研究热点。推荐系统的推荐原理是基于用户的历史数据,然后为用户创建兴趣爱好模型,最后为用户推荐其可能感兴趣的内容,而不需要用户输入自己的需求,有效的解决了“信息过载“问题。但是推荐系统也存在一些问题,比如冷启动、推荐准确度低等问题。推荐系统的关键就在于算法的设计,为了产生令人满意的推荐效果,就需要设计好的推荐算法。协同过滤算法是经典的推荐算法,其基于用户历史数据计算相似度的算法思想以及良好的推荐效果使其在推荐系统领域得到了广泛的应用。本文针对协同过滤推荐算法进行了研究,以期改善推荐系统的性能。具体的研究工作如下:首先,对协同过滤推荐算法中的slope one算法进行改进,提出了一种基于物品相似度的slope one算法。在传统的slope one算法的基础上加入了物品相似度信息,根据物品之间的相似度信息确定物品偏差的权重。物品相似度信息体现了不同物品与目标物品之间的偏差在评分预测时的重要程度。实验仿真结果表明,本文提出的算法相较于传统的slope one算法有更高的预测准确率。然后,针对协同过滤算法存在的用户冷启动问题,本文提出了一种使用用户的人口统计学信息解决用户冷启动问题的方案。首先利用原有数据库中的用户行为数据计算用户相似度,然后根据用户的相似度信息计算用户各统计学特征的权重,再以用户各特征的权重寻找与目标用户相似的用户,最后为其提供推荐。仿真结果表明该方案能在一定程度上解决用户冷启动问题。最后,本文针对协同过滤算法中的SVD(Singular Value Decomposition)算法,研究了一种利用神经网络进行特征提取的SVD算法。使用MovieLens 1M数据集中的用户信息和电影信息来提取用户和电影的特征向量。对用户特征提取采用三层神经网络,对电影名称特征中的文本信息使用两层CNN(Convolutional Neural Networks)进行处理。实验结果显示,与传统的SVD算法相比,利用神经网络进行特征提取的SVD算法具有更高的预测准确率。

关键词：推荐算法协同过滤算法 slope one算法 SVD 神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户偏好的个性化兴趣点推荐

基于用户偏好的个性化兴趣点推荐

作者：邓梦智厦门大学

学位级别：硕士

随着信息科技的高速发展和智能移动终端的普及,信息无处不在的时代也随之到来。越来越多的网络信息资源,也让如何从规模如此巨大的信息资源中快速筛选出自己需要的信息,变成了一个现实而亟待解决的问题。个性化推荐系统是解决信息过载... 详细信息

随着信息科技的高速发展和智能移动终端的普及,信息无处不在的时代也随之到来。越来越多的网络信息资源,也让如何从规模如此巨大的信息资源中快速筛选出自己需要的信息,变成了一个现实而亟待解决的问题。个性化推荐系统是解决信息过载问题的常用方法之一。使用个性化推荐不但能帮助用户更快地发现自己所需的信息,还可以帮助信息提供方将其产生的信息更加快速有效地展示在消费者面前。兴趣点(Pointofinterest,POI)推荐系统是在基于地理位置的网络服务中,通过网络服务中的签到打卡功能来让用户可以实时分享现实中的地理信息。用户通过智能手机等移动设备可以对签到地点的项目进行评分和评论,记录他们对于该项目的感受,并且还可以看到朋友的签到信息并与之互动。本篇文章对基于位置的POI推荐算法进行了深入研究,介绍了常用个性化算法,包括用户间相似度的协同过滤、用户间相似度的协同过滤和混合推荐等。同时对兴趣点推荐系统的定义和应用场景做出了较为详细的阐述,包括POI数据的特点和使用现状,常用POI推荐模型等。同时针对个性化兴趣点推荐算法存在的问题做出了改进,主要包括四个部分:(1)时间和地理位置属性是基于地理位置的网络服务中非常重要的属性,本文提出在计算相似度过程中基于时间因素和地理位置因素的权重调节方法并进行实验探究;(2)引入心理学中的艾宾浩斯遗忘曲线,提出非线性遗忘函数并探究参数的变化;(3)将slope one算法引入POI推荐系统当中,对其常用的改进算法进行优劣对比,引入基于相似度计算的最近邻模型对其进行改进,提出基于用户偏好的改进型最近邻slope one算法;(4)根据Gowalla真实用户-项目数据进行仿真验证,对算法的性能和优劣进行了分析,并且其他常用推荐算法的结果进行综合比对,证明了本文的算法可以对目前推荐效果有改进作用,并能解决目前算法存在的部分缺陷。

关键词： POI推荐系统遗忘曲线 slope one算法