资源描述:
《基于特征属性相似度的混合推荐算法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、分类号:学校代码:10128UDC:学号:20151100044学生类别:全日制学术型硕士研究生学科名称:数学论文题目:基于特征属性相似度的混合推荐算法研究英文题目:HybridRecommendationAlgorithmBasedonSimilarityofFeatureAttributes学生姓名:陈利芳导师姓名:乌力吉教授二○一八年六月原 创 性 声 明本人声明:所呈交的学位论文是本人在导师的指导下进行的研究工作及取得的研究成果。除文中已经注明引用的内容外,论文中不包含其他人已经发表或撰写过
2、的研究成果,也不包含为获得内蒙古工业大学及其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名: 指导教师签名:日期: 日 期:学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,即:内蒙古工业大学有权将学位论文的全部或部分内容保留并向国家有关机构、部门送交学位论文的复印件和磁盘,允许编入有关数据库进行检索,也可以采用影印、缩印或其它复制手段保存、汇编学位论文。为保护学校和导师的知
3、识产权,作者毕业后涉及该学位论文的主要内容或研究成果用于发表学术论文须征得内蒙古工业大学就读期间导师的同意,并且版权单位必须署名为内蒙古工业大学方可投稿或公开发表。本学位论文属于保密□,在年解密后适用本授权书。不保密□。(请在以上方框内打“√”)学位论文作者签名: 指导教师签名:日期: 日 期:内蒙古工业大学硕士学位论文i摘要随着网络技术的不断发展,互联网包含了越来越多的数据,这就导致了信息过载的问题,使得用户寻找信息的过程变得困难又费时.推荐系统就是解决这个问题的一个重要工具,目前被广
4、泛地运用到许多方面.各种类型的电子商务系统都需要推荐系统来作为支撑.推荐系统的关键问题是预测及推荐的精度问题.针对预测精度问题,本文以协同过滤算法中基于动态演化聚类的多角度相似度及基于相似度矩阵分解算法为主要研究内容.具体如下:(1)基于动态演化聚类多角度相似度算法.针对传统的协同过滤推荐算法在数据集稀疏的条件下精度低的问题,提出了动态演化的聚类算法,且多角度地从用户与项目之间的联系出发在传统的相似度上作了改进.通过用户-项目评分构建异构矩阵,利用差分方程组对用户、项目进行聚类;同时考虑了用户共同评
5、分的项目个数和用户对项目的兴趣,将用户评分相似度、用户兴趣相似度及用户共同评分权重相似度加权融合.该算法在Movielens数据集上进行了验证,实验结果表明,改进后的算法有效地提高了预测评分的精度.(2)基于相似度矩阵分解的协同过滤推荐算法.考虑到矩阵分解中初始矩阵代表的意义,本文提出将用户与用户、项目与项目的相似度矩阵通过奇异值分解产生初始矩阵.既能充分的挖掘用户与用户、项目与项目的关系,又能减小因矩阵中存在太多的零元素或随机产生数带来的误差.该算法在Movielens两个数据集上进行了验证,实验
6、结果表明,该算法有效地提高了预测评分的精度及推荐精度.关键词:动态演化聚类;多角度相似度;用户兴趣;矩阵分解;梯度下降法内蒙古工业大学硕士学位论文iiiAbstractWiththedevelopmentofnetworktechnology,theInternetcontainsmoreandmoredata,whichleadstotheproblemofinformationoverload,itisdifficultandtime-consumingforuserstofindinformatio
7、n.Recommendationsystemisanimportanttooltosolvethisproblemandiswidelyusedinmanyaspects.Allkindsofe-commercesystemsneedrecommendationsystemtosupport.Thekeyproblemofrecommen-dationsystemistheaccuracyofpredictionandrecommendation.Inordertosolvetheproblemof
8、predictionaccuracy,themultianglesimilarityofdynamicevolutionclusteringalgorithmandmatrixdecompositionalgorithmincollaborativefilteringismainlystudiedinthispaper.(1)Multi-anglesimilarityalgorithmofdynamicevolutionclustering.Aimingatthepro