隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,網(wǎng)絡(luò)信息日積月累,帶來了信息量大、質(zhì)量差、價(jià)值低等問題。推薦系統(tǒng)是解決這些問題的有效技術(shù)之一。推薦系統(tǒng)能夠通過用戶的歷史行為數(shù)據(jù),發(fā)現(xiàn)用戶的興趣愛好,并將用戶感興趣的信息準(zhǔn)確地推薦給用戶。目前協(xié)同過濾是推薦系統(tǒng)的常用技術(shù)之一,其處理的對(duì)象是用戶行為數(shù)據(jù)。但是用戶行為數(shù)據(jù)存在數(shù)據(jù)稀疏性和用戶評(píng)分多樣性等問題,對(duì)推薦性能有著負(fù)面影響。本文在用戶行為數(shù)據(jù)上結(jié)合機(jī)器學(xué)習(xí)中的聚類算法以及真相發(fā)現(xiàn)來研究協(xié)同過濾方法,較好地解決了數(shù)據(jù)稀疏性和評(píng)分多樣性的問題,提高了推薦的準(zhǔn)確度。本文的創(chuàng)新工作總結(jié)如下。(1)為了解決數(shù)據(jù)稀疏性對(duì)推薦準(zhǔn)確度帶來的影響,本文提出了一種基于杰卡德系數(shù)的多聚類融合協(xié)同過濾算法。該方法通過引入密度峰值聚類算法,將用戶按照相似度進(jìn)行聚類。通過計(jì)算用戶間的杰卡德相似系數(shù),對(duì)用戶未評(píng)分的項(xiàng)進(jìn)行預(yù)測(cè)補(bǔ)全,以此來解決數(shù)據(jù)稀疏性的問題。與其他基于共同評(píng)分?jǐn)?shù)值的相似性度量方式不同,杰卡德相關(guān)系數(shù)考慮到了在稀疏數(shù)據(jù)集上用戶共同評(píng)分?jǐn)?shù)量較少的問題,以共同評(píng)分?jǐn)?shù)量占總評(píng)分?jǐn)?shù)量的比率作為相似性度量方式,降低了相似性度量對(duì)評(píng)分?jǐn)?shù)值的敏感性,從而提高了推薦的準(zhǔn)確度。我們?cè)?個(gè)真...

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２推薦系統(tǒng)主要推薦方式??推薦系統(tǒng)自問世以來，經(jīng)過二十多年的發(fā)展，成為目前的前沿研究課題之一

第章緒論?面向個(gè)性化推薦系統(tǒng)的協(xié)同過濾算法研究??趣愛好，從而為目標(biāo)不明確的用戶快速找到感興趣的信息。推薦系統(tǒng)主要的推薦方??式如圖１－２所示：??性別：男專業(yè)．軟件工程??年齡：２５?收入：８０００每月??職業(yè)：ＩＴ??＼?注冊(cè)信息?）??Ｖ???」??圖１－２推薦系統(tǒng)主要推薦....

圖１－３豆瓣電影網(wǎng)基于用戶的推薦結(jié)果??

面向個(gè)性化推薦系統(tǒng)的協(xié)同過濾算法研究?第一章緒論??為人們搜索信息提供了一種新的思路。丨９９４年，ＧｒｏｕｐＬｅｎｓ將協(xié)同過濾用于新聞過??濾ｔ１５Ｌ在此之后直至現(xiàn)在，協(xié)同過濾算法都是推薦系統(tǒng)中應(yīng)用最為廣泛、最為著名??的算法。??作為推薦系統(tǒng)中最為常用的方法，協(xié)同過濾算法分為“....

圖１－４網(wǎng)易云音樂網(wǎng)上基于物品的推薦結(jié)果??在上述步驟中，相似度的計(jì)算是協(xié)同過濾算法的核心，在基于用戶和基于物品??

第一章緒論?面向個(gè)性化推薦系統(tǒng)的協(xié)同過濾算法研究??類似地，在基于物品的協(xié)同過濾算法中，則是需要首先計(jì)算物品之間的相似度，??得到物品之間的相似度矩陣；然后根據(jù)物品的相似度為待推薦的物品尋找到近鄰物??品，同時(shí)參考用戶的歷史行為偏好，為用戶生成符合其偏好的個(gè)性化推薦列表。如??圖....

圖２－１協(xié)同過濾算法分類??

第二章相關(guān)基礎(chǔ)知識(shí)?面向個(gè)性化推薦系統(tǒng)的協(xié)同過濾算法研究??——ｊ基于模型的協(xié)同過濾算法＿??［協(xié)同臓法］—?于用戶］協(xié)遍匪＾??一ｊ基于鄰細(xì)?刊！測(cè)過—濾算法??屏法????＿基于用戶和物品的混合詠??１＿?同過濾算法一??圖２－１協(xié)同過濾算法分類??更新模型參數(shù)，以達(dá)到不斷優(yōu)....

本文編號(hào)：4054846