基于协同过滤的推荐系统的研究

论文摘要

随着互联网的快速发展,电子商务得到了广泛的应用。系统规模也变得越来越大。面对如此多的信息量,传统的推荐系统已经无法满足向人们进行个性化推荐的需求。协同过滤做为一种常用的减少信息过载的技术,已经成为个性化推荐系统的一种主要工具,然而现有的大多数协同过滤算法都存在数据稀疏的问题。如何在数据稀疏的情况下提高推荐系统预测的精确率成为本文需要研究的主要问题。本文以协同过滤系统中的数据稀疏问题为主要研究对象。在深入分析常见的推荐算法的基础上,提出了结合奇异值分解、基于用户和项目的协同过滤算法的混合型推荐算法。在数据稀疏的情况下,该算法可以提高推荐系统的预测精确率。主要工作包括:1.论述了推荐系统的研究意义以及国内外研究现状。2.深入介绍了基于内容的过滤技术与协同过滤技术,并对这两种技术的优缺点进行了探讨。3.介绍了奇异值分解的有关概念与评价个性化推荐系统性能的各种指标。4.深入研究了协同过滤系统中的数据稀疏问题和相似度计算存在的问题的解决方法,先分析了现有的解决方法,然后提出了HybridSVD方法。HybridSVD方法先用奇异值分解来获得活动用户的邻居,然后利用修正的相似度计算方法和基于用户与项目的协同过滤技术来预测活动用户的评分。5.对常用的推荐算法与HybridSVD方法在两个数据集上的实验结果进行了对比分析。结果显示本文的方法比其它方法有更好的性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景以及意义
• 1.2 国内外研究现状
• 1.2.1 推荐系统典型范例
• 1.2.2 常用的推荐策略
• 1.3 本文的主要研究内容及成果
• 1.4 论文的组织结构
• 第二章 推荐系统的相关技术工作
• 2.1 基于内容的过滤算法
• 2.1.1 项目描述
• 2.1.2 用户模板
• 2.1.3 基于内容的推荐算法
• 2.1.4 基于内容的推荐算法的局限性
• 2.2 基于协同过滤技术的推荐算法
• 2.2.1 协同过滤技术的发展历史
• 2.2.2 协同过滤算法的优点和缺点
• 2.2.3 协同过滤的实现过程
• 2.2.4 协同过滤算法的分类
• 2.3 基于用户的协同过滤算法
• 2.3.1 基于用户的协同过滤的相似度计算
• 2.3.2 传统相似度计算方法存在的缺陷
• 2.4 基于项目的协同过滤算法
• 2.4.1 得到用户-项目评分
• 2.4.2 计算相似度，获得最近邻居
• 2.4.3 获得推荐
• 2.5 基于模型的协同过滤技术
• 2.5.1 聚类模型
• 2.5.2 网状贝叶斯模型
• 2.5.3 基于关联规则
• 2.6 基于协同过滤与基于内容的推荐技术对比分析
• 第三章 奇异值分解与推荐系统性能指标
• 3.1 奇异值分解
• 3.1.1 相关定义
• 3.1.2 相关性质
• 3.2 推荐系统性能指标
• 3.2.1 预测评估指标
• 3.2.2 推荐评估指标
• 第四章 传统CF 算法的改进（HYBRIDSVD 算法）
• 4.1 数据稀疏性问题
• 4.1.1 传统的解决办法
• 4.2 传统相似度计算存在的问题及现有的解决办法
• 4.2.1 基于用户的最近邻居
• 4.2.2 基于项目的最近邻居
• 4.3 算法改进的依据
• 4.4 HYBRIDSVD 算法
• 第五章 实验设计与评价
• 5.1 实验目的
• 5.2 数据集
• 5.3 实验环境
• 5.4 基于HYBRIDSVD 的推荐引擎的设计
• 5.4.1 基础软件包简介
• 5.4.2 总体框架
• 5.4.3 核心算法的伪代码实现
• 5.5 实验与性能评价
• 5.5.1 评价指标
• 5.5.2 实验一：维数k 的影响
• 5.5.3 实验二：参数α的影响
• 5.5.4 实验三：参数λ的影响
• 5.5.5 实验四：与传统算法的性能对比分析
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 下一步工作
• 致谢
• 参考文献
• 攻硕期间取得的研究成果