论文摘要
推荐能有效帮助用户在海量信息中寻找最感兴趣的内容,是解决互联网信息过载的主要途径之一,已被广泛应用于新闻、图书、电影和音乐等信息与产品的推荐中。尽管已经存在多种推荐方法,然而建造出更加智能、更加鲁棒的推荐系统仍面临诸多未被解决的理论和技术难题。在此背景下,本文对推荐方法展开研究,在全面分析和总结现有工作的基础上,提出了新的推荐算法。本文的主要工作和创新之处概括如下:(1)全面综述了推荐系统和推荐算法的研究现状,深入分析了各类推荐算法的基本原理,关键技术,优势与不足,概括了主要的相似度计算方法与评分预测方法,总结了主要的评价指标及推荐研究面临的主要问题。(2)提出了两种新的相似度计算方法。协同过滤是最常用的一种推荐方法,而相似度计算方法是协同过滤的核心。现有相似度方法未能充分考虑用户对项目评分值的含义,在相似度计算中忽略了用户对项目喜欢或厌恶的态度与程度两个重要方面。针对该问题,本文分别提出了基于态度一致的相似度计算方法ACS(attitude consistent similarity)和基于有限步随机游走的相似度计算方法LRWS(limited radom walk similarity)。在Epinions数据集上的实验结果表明:ACS相似度在综合考虑平均绝对误差(MAE)、均方根误差(RMSE)等主要评价指标下优于现有主要方法。在MovieLens数据集上的实验结果表明:LRWS相似度计算方法在MAE、RMSE等主要评价指标下都优于现有主要方法。(3)提出了一种新的融合用户信任网络和评分数据的推荐算法FTRA(fusion trustnetwork and rating data algorithm)。评分数据稀疏问题会显著降低协同过滤推荐的准确性。除了用户评分数据外,网络上还存在其它可为推荐过程所用的数据源,其中较为常见的一种是描述用户相互信任关系的信任网络数据。针对评分数据稀疏问题,本文将信任网络数据作为评分数据的重要补充,基于图论中的相关概念和方法、本文在第三章中提出的用户相似度方法和用于计算链接相似性的Katz方法,提出了能有机融合这两方面数据的FTRA算法,较好的解决了协同过滤推荐所面临的用户评分数据稀疏问题。在Epinions数据集上的实验结果表明:与仅使用用户评分数据的协同过滤算法、仅使用用户信任关系的推荐算法和现有的同时使用两种数据的推荐方法相比,FTRA算法在平均绝对误差(MAE)、均方根误差(RMSE)、查全率(Recall)等主要评价指标下的性能都优于或者显著优于对比算法。
论文目录
相关论文文献
- [1].基于在线评论的混合推荐算法[J]. 系统工程 2019(06)
- [2].基于校企合作的情景感知推荐算法研究[J]. 海峡科技与产业 2019(06)
- [3].融合时序的决策树推荐算法研究[J]. 现代计算机 2019(34)
- [4].算法实践中的多义与转义:以新闻推荐算法为例[J]. 新闻大学 2019(12)
- [5].教程推荐算法研究[J]. 信息与电脑(理论版) 2019(24)
- [6].基于社交网络学习推荐算法的应用研究[J]. 信息系统工程 2019(12)
- [7].垂直学习社区基于学习兴趣与风格的社会化推荐算法[J]. 小型微型计算机系统 2020(01)
- [8].融合层次聚类和粒子群优化的鲁棒推荐算法[J]. 小型微型计算机系统 2020(01)
- [9].智能推荐算法安全风险研究[J]. 广东通信技术 2019(07)
- [10].基于门控循环单元与主动学习的协同过滤推荐算法[J]. 山东大学学报(工学版) 2020(01)
- [11].电影智能推荐算法的潜在文化影响[J]. 电影艺术 2020(01)
- [12].基于聚类和用户偏好的协同过滤推荐算法[J]. 计算机工程与应用 2020(03)
- [13].基于会话的推荐算法研究综述[J]. 现代计算机 2019(36)
- [14].基于兴趣点的多维度推荐算法研究[J]. 电脑知识与技术 2020(04)
- [15].一种基于层次分析的多维属性混合推荐算法[J]. 渤海大学学报(自然科学版) 2019(04)
- [16].一种时间加权的网络结构推荐算法[J]. 哈尔滨理工大学学报 2019(06)
- [17].基于协同过滤的改进课程推荐算法[J]. 科技传播 2020(05)
- [18].一种融合知识图谱与长短期偏好的下一项推荐算法[J]. 小型微型计算机系统 2020(04)
- [19].个性化推荐算法中“信息茧房”与用户权利的思考[J]. 新闻研究导刊 2020(05)
- [20].基于用户聚类的图书协同推荐算法研究[J]. 科技资讯 2020(09)
- [21].适应情景变化的协同推荐算法[J]. 江西科学 2020(02)
- [22].一种基于用户的协同过滤与人气排行榜的融合推荐算法[J]. 南宁师范大学学报(自然科学版) 2020(01)
- [23].融合内容与矩阵分解的混合推荐算法[J]. 计算机应用研究 2020(05)
- [24].基于链路预测的有向互动影响力和用户信任的推荐算法[J]. 计算机应用研究 2020(05)
- [25].一种融合注意力和记忆网络的序列推荐算法[J]. 信息技术与网络安全 2020(05)
- [26].基于综合因素的服装智能推荐算法研究[J]. 软件 2020(04)
- [27].基于多元隐式信任关系挖掘的抗攻击社会化推荐算法研究[J]. 运筹与管理 2020(01)
- [28].基于学习轨迹的学生培养模式智能推荐算法研究[J]. 科学技术创新 2020(13)
- [29].基于注意力机制的神经网络贝叶斯群组推荐算法[J]. 计算机应用与软件 2020(05)
- [30].基于云平台的慕课资源协同过滤推荐算法[J]. 微型电脑应用 2020(05)