二分圖個(gè)性化推薦算法的改進(jìn)及應(yīng)用.pdf

1、分類號衛(wèi)三窆呈UDC碩士學(xué)位論文二分圖個(gè)性化推薦算法的改進(jìn)及應(yīng)用黃譚論文答辯El期2Q!生5目三Q旦學(xué)位授予日期2Q15生魚且蘭Q目二分圖個(gè)性化推薦算法的改進(jìn)及應(yīng)用摘要隨著互聯(lián)網(wǎng)時(shí)代的到來，“大數(shù)據(jù)’’的概念已經(jīng)越來越被人們熟悉。推薦系統(tǒng)隨著用戶規(guī)模的激增，出現(xiàn)了用戶冷啟動、推薦實(shí)時(shí)性與準(zhǔn)確性不足等各個(gè)方面的問題。本文針對這些問題，對基于二分圖的個(gè)性化推薦算法進(jìn)行了研究，具體的研究工作如下：(1)針對基于二分圖推薦算法中，用戶項(xiàng)目相連邊

2、的權(quán)值都為1的情況，本文提出一種具體的對邊加權(quán)的方法。把用戶歷史行為數(shù)據(jù)中的行為時(shí)間、用戶行為的頻率作為決定權(quán)值的兩個(gè)方面。實(shí)驗(yàn)驗(yàn)證T3H權(quán)策略的有效性。(2)針對基于二分圖推薦算法中，用戶數(shù)量的增大，導(dǎo)致推薦算法運(yùn)行效率降低、實(shí)時(shí)性差的問題，本文提出運(yùn)用KMedoids聚類算法進(jìn)行改進(jìn)的方法。對用戶進(jìn)行一個(gè)聚類，再對七個(gè)用戶簇進(jìn)行推薦。實(shí)驗(yàn)結(jié)果表明聚類后運(yùn)行效率有提高。(3)針對用戶冷啟動的問題，運(yùn)用SimRank算法將新用戶加入到聚