学位论文 > 优秀研究生学位论文题录展示

基于协同过滤推荐系统的算法比较研究

作　者: 桑婧
导　师: 王晓堤
学　校: 天津财经大学
专　业: 管理科学与工程
关键词: 最近邻协同过滤推荐云模型项目的评分相似度时间修正
分类号: TP391.3
类　型: 硕士论文
年　份: 2013年
下　载: 10次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息技术的不断发展,协同过滤推荐技术作为目前以及未来最重要的推荐技术之一,是电子商务系统重要的研究方面。传统的过滤推荐系统依旧存在着一些需要研究解决的问题。例如：数据稀疏性、冷启动、时间差异对于推荐造成的影响等问题。本文对推荐系统的概念定义,研究内容,还有组成部分进行了比较深入的探究,并且比较详细的介绍了相关的推荐技术,比较分析了这些推荐技术的优点和缺点。在此基础上,重点研究协同过滤推荐技术,分析和研究目前相关算法中存在的问题,并探究当前协同过滤算法的改进思路。内容主要包括：首先分析现有的主要推荐技术方法,并且比较总结这些技术中存在的不足和缺陷。其次探究协同过滤推荐技术中存在的主要问题,并探究数据稀疏性和时间的影响问题,比较了传统的基于用户的和基于项目的协同过滤算法的异同点,并介绍了常见的相似度计算方法：余弦相似度,修正的余弦相似度和相关相似度。然后介绍了云模型的相关内容,并且将云模型引入协同过滤推荐算法中,利用云的相似度来代替以前向量的相似度,改进了算法的精确度。通过进一步的总结研究,对传统的算法进行两方面的改进,将用户对项目的评价、用户对项目特征属性的偏好和时间效应有效的结合在一起,提出了基于云模型的时间修正协同过滤推荐算法(A Collaborative Filtering Recommendation Algorithm with Time-Adjusting Based on Cloud Model,简称CTCFR)。最后针对新算法,使用权威的Movielens数据集合对该算法进行实验,通过多组实验方案的验证,证明了本文提出的CTCFR算法的有效性和合理性。

全文目录

内容摘要  4-5
Abstract  5-8
第1章绪论  8-14
  1.1 研究的背景和意义  8-10
  1.2 研究现状  10-12
  1.3 主要研究内容  12-13
  1.4 本文的组织结构  13-14
  1.5 本章小结  14
第2章个性化推荐系统及其相关技术  14-19
  2.1 个性化推荐系统概述  14-15
  2.2 推荐技术  15-18
    2.2.1 基于规则的推荐  15-16
    2.2.2 基于内容的推荐  16-17
    2.2.3 基于协同过滤的推荐  17-18
  2.4 主要的个性化推荐技术的比较  18-19
  2.5 本章小结  19
第3章协同过滤推荐算法剖析与改进分析  19-28
  3.1 协同过滤推荐算法的主要原理  19-20
  3.2 协同过滤推荐算法分类  20-21
  3.3 基于内存的协同过滤算法  21-26
    3.3.1 基于用户的协同过滤算法(User-Based CF)  21-24
    3.3.2 基于项目的协同过滤算法(Item-Based CF)  24-26
  3.4 协同过滤算法的比较分析  26
  3.5 协同过滤算法相关改进  26-28
  3.6 本章小结  28
第4章基于云模型的时间修正协同过滤推荐算法  28-42
  4.1 问题的概述  28-29
  4.2 云模型的描述  29-34
    4.2.1 云的可视化方法  30-31
    4.2.2 云模型的3En规则  31
    4.2.3 云模型及其云发生器  31-34
  4.3 传统的时间效应函数  34-35
  4.4 项目属性相似度  35-37
  4.5 利用云模型改进项目相似度计算  37-40
    4.5.1 传统的Pearson项目相似度计算法的改进  37-38
    4.5.2 基于云模型的项目特征属性相似度计算  38-40
  4.6 时间效应对相似度计算的优化  40
  4.7 基于云模型的时间修正协同过滤推算法的实现  40-42
  4.8 本章小结  42
第5章实验  42-49
  5.1 实验目的  42
  5.2 实验数据与环境  42-43
  5.3 实验度量标准  43-44
  5.4 实验方案及结果分析  44-48
  5.6 本章小结  48-49
第6章总结与展望  49-51
  6.1 本文工作总结  49-50
  6.2 下一步工作展望  50-51
附录  51-52
参考文献  52-54
后记  54

基于协同过滤推荐系统的算法比较研究

内容摘要

全文目录

相似论文