基于用户兴趣聚类的协同过滤推荐技术的研究

论文摘要

近年来,电子商务个性化推荐系统在网络上获得了普遍的成功,协同过滤技术是其中应用最广泛、最成功的个性化推荐技术。随着网上信息的数量和商品的种类的急速增长对推荐系统提出了严峻挑战,协同过滤推荐中存在的冷启动和稀疏性问题,还有在基于用户的协同过滤推荐中的用户兴趣的定位问题急待解决。本文通过分析传统的基于用户的协同过滤算法中存在的问题,提出了一种基于用户兴趣聚类的协同过滤技术的改进算法。该算法综合考虑了用户项目评分矩阵的稀疏性和用户兴趣类别的影响。在进行目标用户最近邻查询时,首先对项目进行分类,也即对用户的兴趣进行分类,然后基于用户兴趣矩阵进行聚类分析,找出目标用户的邻居用户候选集。最后基于用户-项目评分矩阵计算目标用户与邻居用户候选集中用户的相似性,找出目标用户的最近邻居用户集。用户的个人兴趣在很大程度上决定着用户的访问习惯。针对用户评分数据的极端稀疏性问题,本文提出了一种基于用户兴趣聚类的协同过滤推荐算法。该方法通过对用户兴趣聚类分析来计算用户间的相似性,初步预测用户对未评分项目的评分,对目标用户产生项目推荐集。实验结果表明,与传统的基于用户的协同过滤推荐算法相比,本文提出的改进算法具有更高的准确性和有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 协同过滤技术的国内外研究现状
• 1.3 本文的研究意义
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 第二章 个性化推荐系统的研究
• 2.1 个性化推荐系统概述
• 2.2 个性化推荐系统的界面表现形式
• 2.3 个性化推荐系统的输入/输出方式
• 2.3.1 电子商务推荐系统的输入方式
• 2.3.2 电子商务推荐系统的输出方式
• 2.4 个性化推荐系统的分类
• 2.5 个性化推荐系统面临的主要挑战
• 2.6 本章小结
• 第三章 信息过滤技术在个性化推荐中的应用研究
• 3.1 基于内容的过滤技术
• 3.1.1 基于内容的过滤技术概述
• 3.1.2 基于内容的过滤的优劣分析
• 3.2 协同过滤技术
• 3.2.1 协同过滤技术概述
• 3.2.2 协同过滤技术的分类
• 3.2.3 协同过滤技术的优缺点
• 3.3 基于用户的协同过滤技术
• 3.3.1 最近邻查询
• 3.3.2 相似度计算
• 3.3.3 预测计算
• 3.4 基于项目的协同过滤推荐算法
• 3.5 本章小结
• 第四章 基于用户兴趣聚类的协同过滤算法
• 4.1 聚类分析概述
• 4.1.1 聚类的基本概念
• 4.1.2 主要的聚类方法
• 4.2 项目资源分类
• 4.3 用户兴趣模型
• 4.4 用户兴趣聚类
• 4.5 基于用户兴趣聚类的最近邻查询
• 4.5.1 查询算法
• 4.5.2 相似性度量方法分析
• 4.5.3 算法分析
• 4.6 生成推荐
• 4.7 本章小结
• 第五章 算法的实现和评价
• 5.1 算法的设计与实现
• 5.1.1 用户兴趣聚类模块的实现
• 5.1.2 查找最近邻居模块
• 5.1.3 预测评分并生成推荐
• 5.2 数据集
• 5.3 评价标准
• 5.4 实验设计和结果分析
• 5.4.1 数据集的抽取
• 5.4.2 算法的时间复杂度分析
• 5.4.3 实验环境
• 5.4.4 实验结果及其分析
• 5.5 实验结论
• 5.6 本章小结
• 第六章 结束语
• 6.1 本文的总结
• 6.2 未来工作
• 参考文献
• 致谢
• 攻读硕士期间参加的项目