学位论文 > 优秀研究生学位论文题录展示

面向个性化推荐系统的自适应算法的研究与实现

作　者: 吴发青
导　师: 贺樑
学　校: 华东师范大学
专　业: 计算机应用技术
关键词: 个性化推荐协同过滤用户兴趣模型相似度计算自适应推荐
分类号: TP393.09
类　型: 硕士论文
年　份: 2009年
下　载: 234次
引　用: 1次
阅　读: 论文下载

内容摘要

随着Internet和信息技术的飞速发展,日益严重的“信息过载”和“信息迷向”问题助推了个性化推荐系统的蓬勃发展。现有的个性化推荐技术在一定程度上缓解了人们寻找自己喜好信息的压力和开销。本文通过对现有推荐技术尤其是推荐算法的深入分析,揭示了现有推荐算法的特征和局限性——难以满足目前大型推荐系统的高推荐精度和扩展性需求,并进一步归纳了推荐系统框架,说明了现有的推荐技术的瓶颈所在:用户兴趣模型的表示方法不科学以及相应推荐算法的低性能问题。本文接着重点在用户模型和推荐算法两方面提出了改进的方法。用户模型方面提出了利用机器学习算法来建立用户兴趣模型(UAM)的方法和过程。推荐算法方面提出了ICBD相似度计算方法与CFUPS协同推荐算法,分别改善了推荐算法的相似度计算精度和推荐结果的精度。进而,本文基于UAM兴趣模型以及ICBD、CFUPS方法提出了一种自适应推荐算法(ARA)。该算法以目标用户为中心,采用协同过滤的思想,基于UAM兴趣模型,对不同的用户自适应地赋予相应的推荐参数来为目标用户提供其最感兴趣的信息,进行个性化推荐。最后,通过实验分析来验证本文提出的算法的有效性,并且同其他主要推荐算法进行了对比。实验结果表明,本文提出的自适应推荐算法较传统的推荐算法在推荐精度和扩展性方面都有一定的改善。

全文目录

摘要  7-8
Abstract  8-12
第一章引言  12-19
  1.1 个性化推荐系统的蓬勃发展  12-16
  1.2 推荐算法的现状与瓶颈  16-17
  1.3 本文的研究思路  17-18
  1.4 论文的结构安排  18-19
第二章相关推荐技术  19-33
  2.1 协同过滤推荐技术  19-29
  2.2 其他推荐技术介绍  29-32
  2.3 本章小结  32-33
第三章个性化推荐系统的框架  33-42
  3.1 个性化推荐系统框架  33-34
  3.2 现有的用户模型及相关推荐算法分析  34-36
    3.2.1 推荐系统的用户模型分析  34-36
    3.2.2 推荐系统相关推荐算法分析  36
  3.3 用户自适应模型(UAM)  36-41
    3.3.1 UAM兴趣模型构建  36-41
      3.3.1.1 问题阐述  36-37
      3.3.1.2 兴趣模型构建  37-41
    3.3.2 UAM兴趣模型更新  41
  3.4 本章小结  41-42
第四章 ICBD和CFUPS推荐算法  42-52
  4.1 改进的City-Block-Distance的相似性计算方法(ICBD)  42-45
    4.1.1 现有相似性计算方法的局限性  42-43
    4.1.2 ICBD相似性计算方法  43-45
  4.2 基于用户兴趣局部相似性的推荐算法(CFUPS)  45-51
    4.2.1 现有协作过滤算法的主要不足  45-46
    4.2.2 CFUPS推荐算法  46-51
      4.2.2.1 用户兴趣局部相似兴趣的挖掘  47-48
      4.2.2.2 计算相似性  48
      4.2.2.3 用户评分的预测  48-51
      4.2.2.4 产生推荐  51
  4.3 本章小结  51-52
第五章基于UAM兴趣模型的自适应推荐算法(ARA)  52-57
  5.1 ARA算法架构  52
  5.2 ARA算法介绍  52-55
    5.2.1 基于自适应权重的用户相似性计算  52-54
    5.2.2 近邻用户计算方法  54-55
    5.2.3 预测评分  55
    5.2.4 产生推荐  55
  5.3 本章小结  55-57
第六章实验分析  57-70
  6.1 算法ICBD的性能分析与对比  57-62
    6.1.1 数据集  57-58
    6.1.2 实验方法  58
    6.1.3 评价尺度  58-59
    6.1.4 参数优化  59-60
    6.1.5 性能对比  60-62
  6.2 算法CFUPS的参数分析与性能对比实验  62-66
    6.2.1 实验数据集  63
    6.2.2 实验方法  63-64
    6.2.3 实验结果  64-66
  6.3 自适应推荐算法ARA的性能对比实验  66-69
    6.3.1 数据集  66-67
    6.3.2 实验方法  67
    6.3.3 实验结果  67-69
  6.4 本章小结  69-70
第七章结论与展望  70-72
  7.1 本文工作总结  70
  7.2 工作展望  70-72
附录  72
参考文献  72-74
后记  74
  致谢  74

面向个性化推荐系统的自适应算法的研究与实现

内容摘要

全文目录

相似论文