学位论文 > 优秀研究生学位论文题录展示

基于用户聚类的协同过滤推荐系统研究

作　者: 何奎
导　师: 熊件根
学　校: 西南交通大学
专　业: 管理科学与工程
关键词: 推荐系统 协同过滤 蚁群聚类 冷开始 数据稀疏性
分类号: TP391.3
类　型: 硕士论文
年　份: 2011年
下　载: 179次
引　用: 0次
阅　读: 论文下载
 

内容摘要


电子商务推荐系统现已成为很多企业进行广告宣传和商品销售的一个重要平台。然而,大量的商品信息充斥在网络之中,使得用户不能快速准确的搜索到其喜欢的商品。因此设计出更具个性化的电子商务推荐系统,以实现对用户更好的服务,就成为了很多企业研究的一个重要课题。目前,几乎所有著名的电子商务网站都在不同程度上采用了个性化的电子商务推荐系统,如易贝、淘宝网等。为了对用户进行快速而准确的推荐,研究人员已经提出了多种不同的推荐技术,如协同过滤推荐技术,贝叶斯网络技术,聚类技术,奇异值分解技术,关联挖掘技术等。其中,协同过滤推荐技术是在个性化的推荐系统中应用最广泛的,但随着其应用的深入,也暴露出了其中存在的一些问题,如“冷开始”问题、“数据稀疏性”问题等。本文也对协同过滤推荐技术进行研究,主要解决协同过滤推荐算法中存在的“冷开始”问题、“数据稀疏性”问题。本文主要做了以下研究工作：1.对个性化推荐系统的发展历史及现状进行了综述,指出了协同过滤推荐算法中存在的“冷开始”和“数据稀疏性”两大瓶颈问题。2.将蚁群聚类算法引入到协同过滤推荐技术的研究之中。3.针对协同过滤算法中存在的“冷开始”问题,提出了一种改进的算法。新的算法除了考虑用户之间主观偏好的相似性之外,还考虑了用户之间客观特征的相似性：这使得系统能够对没有进行过主观评价的用户也能进行推荐。4.采用蚁群聚类算法对用户进行聚类,然后在聚类簇中应用改进的协同过滤推荐算法搜寻邻居用户、进行预测评分。通过聚类,降低了邻居用户的搜寻范围,减少了系统的计算量,提高了系统的推荐质量,在一定程度上缓解了“数据稀疏性”的影响。5.根据本文所提出的理论方法,进行了系统模拟。

全文目录


摘要  6-7
Abstract  7-11
第1章 绪论  11-18
  1.1 研究背景  11-12
  1.2 电子商务推荐系统发展现状  12-15
    1.2.1 电子商务推荐系统实例  13-14
    1.2.2 个性化推荐系统与协同过滤推荐算法  14-15
  1.3 论文研究的目的与意义  15-16
  1.4 论文技术路线  16-17
  1.5 论文研究内容  17-18
第2章 个性化推荐技术综述  18-29
  2.1 基于内容的推荐技术  18-20
  2.2 基于关联规则的推荐技术  20-21
  2.3 协同过滤推荐技术  21-26
    2.3.1 传统的协同过滤推荐算法  22-24
    2.3.2 协同过滤推荐技术中的几个基本问题的研究  24-26
  2.4 组合推荐算法  26-27
    2.4.1 独立组合推荐  26-27
    2.4.2 半融合组合推荐  27
    2.4.3 全融合组合推荐  27
  2.5 其他推荐算法  27-29
第3章 聚类技术综述  29-36
  3.1 聚类算法的概念及原理  29
  3.2 几种重要的聚类算法  29-31
  3.3 蚁群聚类算法  31-36
    3.3.1 蚁群算法概述  31-33
    3.3.2 蚁群算法在聚类中的应用  33-36
第4章 协同过滤推荐算法优化设计  36-45
  4.1 数据的收集与整理  36-37
  4.2 用户聚类  37-39
  4.3 查找邻居用户  39-44
    4.3.1 用户偏好相似性  39-40
    4.3.2 用户特征相似性  40-43
    4.3.3 计算综合相似性,选取邻居用户  43-44
  4.4 计算预测评分,得出推荐  44
  本章小结  44-45
第5章 实验分析与比较  45-62
  5.1 实验数据收集与实验平台  45
  5.2 聚类基础上的改进的协同过滤推荐算法的实现  45-54
    5.2.1 用户聚类  46-49
    5.2.2 查找邻居用户  49-52
    5.2.3 预测目标用户对项目的评分并得出推荐  52-54
  5.3 传统的协同过滤推荐算法  54-57
    5.3.1 查找邻居用户  54-56
    5.3.2 预测评分并得出推荐  56-57
  5.4 两种推荐算法的比较  57-62
    5.4.1 推荐准确性比较  57-59
    5.4.2 对"冷开始"问题的解决  59-60
    5.4.3 对"数据稀疏性"问题的解决  60-62
结论  62-64
  本文工作总结  62-63
  工作展望  63-64
致谢  64-65
参考文献  65-69

相似论文

  1. 蚁群算法及其在气象卫星云图分割中的应用,TP391.41
  2. 基于自然遗忘的个性化推荐算法研究,TP311.52
  3. 结合蚁群算法与基于划分的DBSCAN聚类算法的研究,TP311.13
  4. 基于蚁群算法的移动商务个性化推荐体系研究,TP391.3
  5. Web挖掘技术在电子商务推荐系统中的研究与应用,TP391.3
  6. 基于协同过滤的用户兴趣发现,TP391.3
  7. 基于信息型模型的音乐推荐算法,TP391.3
  8. 社会化网络中的推荐算法及其应用,TP391.3
  9. 个性化医疗信息推荐系统的研究与实现,R319
  10. 基于社会化标签体系的个性化推荐引擎技术研究,TP391.3
  11. 基于随机游走模型的个性化信息推荐,TP391.3
  12. 基于GPU的图书推荐系统研究与实现,TP391.3
  13. 基于蚁群算法的聚类算法研究,TP311.13
  14. 基于C2C电子商务模式下商品推荐系统应用研究,F724.6
  15. 基于社会标签系统的推荐技术研究,TP391.3
  16. 基于用户兴趣和浏览行为的个性化推荐技术研究,TP391.3
  17. 基于特征向量的个性化推荐算法研究,TP391.3
  18. 基于语用情境的资源推荐研究及应用,TP391.3
  19. 动态推荐技术的研究及在个性化电子警务中的应用,D631.1
  20. 跨系统个性化服务中隐私保持问题研究,TP393.08
  21. Agent电子商务推荐系统下协同过滤技术研究,F713.36

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 检索机
© 2012 www.xueweilunwen.com