学位论文 > 优秀研究生学位论文题录展示

融合多指标与环境信息的协同过滤推荐算法

作　者: 常俊风
导　师: 张付志
学　校: 燕山大学
专　业: 计算机应用技术
关键词: 推荐算法相似度多指标评分用户偏好函数环境感知
分类号: TP301.6
类　型: 硕士论文
年　份: 2010年
下　载: 43次
引　用: 0次
阅　读: 论文下载

内容摘要

个性化推荐系统(Recommender System)作为一种信息过滤的重要手段,是当前解决信息超载问题的非常有潜力的方法。其中,个性化推荐系统中的协同过滤推荐是迄今为止应用最广泛、最成功的推荐技术。随着电子商务系统规模的不断扩大,用户数目和项目数目急剧增加,传统的协同过滤推荐算法无法综合运用多个指标以及根据环境信息进行推荐,导致传统的协同过滤推荐算法不能准确反映用户的偏好从而降低推荐精确度。如何提高协同推荐系统的推荐质量已成为人们关注的主要问题,本文在对国内外研究现状综合分析的基础上,进一步对协同过滤推荐技术进行了深入研究。首先,针对传统的协同过滤推荐算法不能综合运用多个指标进行推荐的问题,通过引入多指标评分的概念对标准的协同过滤推荐算法进行扩展,提出一种基于Widrow-Hoff神经网络的多指标推荐算法,利用Widrow-Hoff最小二乘法自适应算法在进行系统辨识时的高精度拟合特性,并且采用用户偏好函数和空间距离矩阵度量用户相似度,以选择邻居集并为用户推荐最优项目,从而能够有效提高推荐系统的推荐精确度。其次,针对传统的协同过滤推荐算法不能根据用户所处环境信息进行推荐的问题,提出一种基于模糊C均值聚类的环境感知推荐算法,采用模糊C均值聚类方法对历史环境信息进行聚类,产生聚类及隶属矩阵;然后匹配活动用户环境信息与历史环境信息聚类,并且采用聚类隶属度作为映射系数将符合条件的非隶属数据映射为隶属数据,最终选择与活动环境匹配的隶属用户评分数据为用户作推荐。最后,对提出的算法进行了实验验证,和原有的方法进行了对比,并对今后的研究工作进行了展望。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-16
  1.1 课题背景及意义  10-12
  1.2 协同过滤推荐的发展及研究现状  12-14
  1.3 本文主要的研究内容  14-15
  1.4 本文的组织结构  15-16
第2章基础知识及相关理论  16-24
  2.1 推荐方法简述  16-18
  2.2 Widrow-Hoff 神经网络学习算法  18-19
  2.3 相似度度量方法  19-21
  2.4 模糊C 均值聚类(FCM)理论  21-23
  2.5 本章小结  23-24
第3章基于Widrow-Hoff 神经网络的多指标推荐算法  24-34
  3.1 用户偏好函数计算  25-28
  3.2 用户相似度计算  28-31
  3.3 基于Widrow-Hoff 神经网络的多指标推荐算法  31-33
    3.3.1 算法思想  31-32
    3.3.2 算法描述  32-33
  3.4 本章小结  33-34
第4 章基于模糊C 均值聚类的环境感知推荐算法  34-48
  4.1 基础定义  35-36
  4.2 环境感知推荐模型及算法  36-46
    4.2.1 历史环境发现算法(HCDA)  37-40
    4.2.2 环境匹配及隶属映射算法(CM3A)  40-44
    4.2.3 环境感知推荐算法(CARA)  44-46
  4.3 本章小结  46-48
第5章实验验证与分析  48-60
  5.1 实验准备工作  48-50
    5.1.1 实验数据来源  48-50
    5.1.2 实验环境  50
  5.2 实验评价标准  50-52
    5.2.1 推荐精度评价标准  50-51
    5.2.2 决策支持精确性标准  51-52
  5.3 基于Widrow-Hoff 神经网络多指标推荐算法(WHNN)验证  52-55
    5.3.1 采用F-measure 指标评价WHNN 算法  52-53
    5.3.2 采用Kendall 相关系数评价WHNN 算法  53-54
    5.3.3 各种算法MAE 值比较  54-55
  5.4 基于环境感知的多指标推荐算法验证  55-59
  5.5 本章小结  59-60
结论  60-62
参考文献  62-67
攻读硕士学位期间承担的科研任务与主要成果  67-68
致谢  68-69
作者简介  69

融合多指标与环境信息的协同过滤推荐算法

内容摘要

全文目录

相似论文