版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、推薦系統(tǒng)或推薦引擎(Recommender System)作為信息時(shí)代一種有效解決互聯(lián)網(wǎng)信息過(guò)載(Information overload)問(wèn)題和向用戶(hù)進(jìn)行推薦的有效手段,其基本原理是通過(guò)分析用戶(hù)歷史行為數(shù)據(jù)和其他信息提取出用戶(hù)的興趣偏好,幫助用戶(hù)快速尋找滿(mǎn)足其需求和興趣的物品或信息。目前推薦系統(tǒng)已被實(shí)際應(yīng)用到多個(gè)領(lǐng)域,如Amazon商品推薦、Pandora音樂(lè)推薦、Netflix視頻推薦、Google Reader個(gè)性化閱讀、Face
2、book好友推薦、Sina新聞推薦等等。
目前,主流的推薦方法包含協(xié)同過(guò)濾推薦(Collaborative Filtering Recommendation)、基于內(nèi)容的推薦(Content-based Recommendation)以及混合推薦(Hybrid Recommendation)。為彌補(bǔ)單一推薦算法存在的各種不足,如單一的協(xié)同過(guò)濾推薦算法存在的冷啟動(dòng)問(wèn)題,單一的基于內(nèi)容推薦的用戶(hù)或物品內(nèi)容信息很難提取的問(wèn)題等等,通
3、常會(huì)將兩種以上算法混合起來(lái)形成一種新的混合推薦算法以揚(yáng)長(zhǎng)避短。
本文首先分析了課題研究背景、簡(jiǎn)述了國(guó)內(nèi)外研究現(xiàn)狀,闡明了個(gè)性化推薦算法的產(chǎn)生、發(fā)展、應(yīng)用領(lǐng)域、研究熱點(diǎn)及存在的問(wèn)題。其次,分別對(duì)比和分析了目前幾種主流推薦算法及推薦算法中常用的聚類(lèi)方法,在此基礎(chǔ)上提出一種基于用戶(hù)屬性與自然最近鄰的個(gè)性化推薦算法(User Attributes and User-centric Natural Nearest Neighbor-Ba
4、sed Personalized Recommendation Algorithm,UA3NR),具體工作如下:
1)鑒于傳統(tǒng)的基于K近鄰的協(xié)同過(guò)濾推薦算法在選擇近鄰時(shí)沒(méi)有充分利用對(duì)稱(chēng)鄰居信息且參數(shù)K(近鄰個(gè)數(shù))很難確定,本文提出一種基于用戶(hù)自然最近鄰的推薦算法(User-centric Natural Nearest Neighbor-based Recommendation Algorithm,3NR),該算法融入了用戶(hù)自
5、然最近鄰的概念,通過(guò)無(wú)參數(shù)、自適應(yīng)地基于用戶(hù)-項(xiàng)目歷史評(píng)分?jǐn)?shù)據(jù)尋找目標(biāo)用戶(hù)的自然最近鄰用戶(hù)并進(jìn)行推薦,進(jìn)一步提高推薦的準(zhǔn)確度。在使用3NR算法對(duì)目標(biāo)用戶(hù)進(jìn)行推薦時(shí),又提出“活躍用戶(hù)”概念,即在目標(biāo)用戶(hù)近鄰集合中增加了對(duì)評(píng)分預(yù)測(cè)有積極意義的活躍用戶(hù),可有效緩解數(shù)據(jù)稀疏性對(duì)推薦結(jié)果的不良影響。
2)由于3NR算法不能有效應(yīng)對(duì)冷啟動(dòng)問(wèn)題,本文又提出一種基于用戶(hù)屬性聚類(lèi)的推薦方法(User-clustering-based Recom
6、mendation Algorithm,UCR),首先通過(guò)用戶(hù)屬性進(jìn)行聚類(lèi),找到目標(biāo)用戶(hù)所屬類(lèi)別和目標(biāo)用戶(hù)的鄰居集合,再根據(jù)鄰居集合預(yù)測(cè)評(píng)分并向目標(biāo)用戶(hù)推薦物品。UCR是一種局部的近鄰查詢(xún)方法,一定程度上可以降低算法復(fù)雜度,進(jìn)而提高推薦效率,且使用用戶(hù)基本屬性信息聚類(lèi)可以一定程度緩解用戶(hù)冷啟動(dòng)問(wèn)題。
3)最后將3NR和UCR算法加權(quán)混合得到本文UA3NR算法,在保證推薦準(zhǔn)確度和提高推薦算法的效率的前提下,也一定程度上緩解數(shù)據(jù)稀
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 結(jié)合信任的個(gè)性化推薦算法研究.pdf
- 融合用戶(hù)屬性和興趣對(duì)比度的協(xié)同過(guò)濾個(gè)性化推薦研究
- 基于用戶(hù)行為的個(gè)性化推薦算法研究.pdf
- 網(wǎng)站用戶(hù)個(gè)性化信息推薦算法的研究.pdf
- 融合用戶(hù)屬性和興趣對(duì)比度的協(xié)同過(guò)濾個(gè)性化推薦研究.pdf
- 基于商品屬性疊加的個(gè)性化推薦算法研究.pdf
- 基于自然遺忘的個(gè)性化推薦算法研究.pdf
- 結(jié)合用戶(hù)興趣變化的推薦算法研究.pdf
- 基于用戶(hù)興趣和領(lǐng)域最近鄰的混合推薦算法研究.pdf
- 考慮信息屬性和用戶(hù)權(quán)限的個(gè)性化信息推薦方法研究.pdf
- 基于主題模型與用戶(hù)興趣的個(gè)性化新聞推薦算法研究.pdf
- 一種基于混合用戶(hù)興趣模型的個(gè)性化推薦系統(tǒng).pdf
- 基于Hadoop的用戶(hù)個(gè)性化推薦研究.pdf
- 基于最近鄰聚類(lèi)的連續(xù)屬性離散化算法研究.pdf
- 基于用戶(hù)行為數(shù)據(jù)分析的個(gè)性化推薦算法研究.pdf
- 用戶(hù)興趣模型及實(shí)時(shí)個(gè)性化推薦算法研究.pdf
- 個(gè)性化混合推薦算法的研究.pdf
- 融合用戶(hù)屬性和興趣的最大熵推薦算法研究.pdf
- 基于自然最近鄰居的分類(lèi)算法研究.pdf
- 基于多屬性評(píng)分的電子商務(wù)個(gè)性化推薦算法研究.pdf
評(píng)論
0/150
提交評(píng)論