智能推荐系统中协同过滤算法的研究

论文摘要

随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。协同过滤算法为解决用户在网上选购商品的困惑应运而生,本文在分析了传统的Item-based和User-based协同过滤算法的基础上,对协同过滤算法的设计和个性化推荐系统等关键技术进行了研究,提出了基于知识层次的协同过滤改进算法,通过实验仿真验证该在推荐性能方面优于传统算法。本文的主要研究内容如下:1、分析研究现有三个协同过滤改进算法,发现它们存在以下问题:（1）基于降维的协同过滤推荐算法较好地解决了数据稀疏性的问题,但其推荐的精确性会有一定下降。（2）基于项评分预测的IRPRec协同过滤推荐算法可以显著提高推荐系统的推荐质量,但是算法的实时性不高,无法很好的满足推荐系统的性能要求。（3）基于项聚类的ICRec协同过滤推荐算法可以有效提高推荐系统的实时响应速度,但是在推荐精度上仅与传统智能推荐算法相当。2、通过对协同过滤改进算法中所存在问题的分析,论文深入探讨了当前个性化推荐的主流技术——协同过滤对算法中影响推荐质量的稀疏性问题和影响用户满意度的推荐完整性问题,在引入了“知识层次”和“社区过滤”技术的基础上,对协同过滤算法进行改进,提出了基于知识层次的协同过滤改进算法。论文对该算法进行实验仿真,证明所提出的基于知识层次的协同过滤改进算法在推荐的准确性、完整性、多样性等方面均优于传统算法,特别是在稀疏的用户评价数据集上体现出了良好的推荐性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及研究意义
• 1.2 论文的主要内容和研究工作
• 1.3 本章小结
• 第二章 智能推荐系统
• 2.1 智能推荐系统的定义
• 2.2 智能推荐系统的作用
• 2.3 智能推荐系统的算法
• 2.3.1 基于内容推荐
• 2.3.2 协同过滤推荐
• 2.3.3 基于关联规则推荐
• 2.3.4 组合推荐
• 2.4 本章小结
• 第三章 传统协同过滤推荐算法
• 3.1 用户数据的收集
• 3.2 协同过滤算法的分类分析
• 3.3 User-based 协同过滤推荐算法
• 3.3.1 数据表示
• 3.3.2 最近邻查询
• 3.3.3 推荐生成
• 3.4 Item-based 协同过滤推荐算法
• 3.4.1 最近邻查询
• 3.4.2 推荐生成
• 3.5 User-based 算法与 Item-based 算法的区别
• 3.6 本章小结
• 第四章 协同过滤改进算法分析
• 4.1 基于降维的 DRRec 协同过滤算法
• 4.1.1 算法说明
• 4.1.2 基于降维的协同过滤算法算法分析
• 4.2 基于项评分预测的 IRPRec 协同过滤算法
• 4.2.1 最近邻搜索
• 4.2.2 推荐生成
• 4.2.3 基于项评分预测的协同过滤推荐算法分析
• 4.3 基于项聚类的 ICRec 协同过滤推荐算法
• 4.3.1 项聚类
• 4.3.2 基于项聚类的就近邻居查询
• 4.3.3 推荐产生
• 4.3.4 基于项聚类的协同过滤推荐算法分析
• 4.4 本章小结
• 第五章 基于知识层次的协同过滤改进算法
• 5.1 社区过滤技术的引入
• 5.2 基于知识层次的协同过滤改进算法
• 5.2.1 相关符号解释
• 5.2.2 用户模型生成
• 5.2.3 用户相似性计算
• 5.2.4 Top-N 推荐的产生
• 5.2.5 算法说明
• 5.3 本章小结
• 第六章 协同过滤推荐改进算法的仿真与测试
• 6.1 实验及其试验数据
• 6.2 实验评估标准
• 6.3 实验仿真
• 6.3.1 实验方案
• 6.3.2 实验结果与分析
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 本文工作回顾
• 7.2 成果及意义
• 7.3 存在的问题及下一步的工作
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录