基于多维情景特征分类的个性化推荐方法研究

《基于多维情景特征分类的个性化推荐方法研究》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、藝４法碲笟士ｆ顼士学位论文基子多维情景特征分矣的个牲化推荐方法研堯刘建涛指导教师：杨德刚教授专业名称：计算机系统结构研究方向：智能算法与应用二〇一八年四月重庆师范大学硕士学位论文基于多维情景特征分类的个性化推荐方法研究硕士研究生：刘建涛指导教师：杨德刚教授学科专业：计算机系统结构所在学院：计算机与信息科学学院重庆师范大学二零一八年四月AThesisSubmittedtoChongqingNormalUniversityinPartialFulfillmentoftheRequirementsforthe

2、DegreeofMasterPersonalizedrecommendationmethodbasedonmultidimensionalscenefeatureclassificationCandidate：LiuJiantaoSupervisor：ProfessorYangDegangMajor：ComputerSystemStructureCollege：CollegeofComputerandInformationScienceChongqingNormalUniversityApril，2018重庆师范大学硕士学位论文中文摘要

3、基于多维情景特征分类的个性化推荐方法研究摘要如今网络的互联互通涉及医疗、教育、航空、工业等各行各业，网络上可以爬的数据量、需要存储和分析的数据量都呈指数级增长，公开的数据也越来越多，所以人们面临的信息过载问题也越来越严重，因此推荐系统在各大领域也越来越流行，工业应用中对推荐方法的要求也越来越高。目前大多数推荐方法都是基于用户和产品的交互信息，很少加入其他相关信息，而基于多维情景信息的推荐方法会在推荐的过程中考虑多维情景信息对用户未来行为的预测的影响。本文研究的个性化推荐方法动态提取用户和产品的多维情景特征，分析用户对产品的兴趣度和用户与

4、产品、产品与产品、用户与用户的隐藏关系，从而极大地提高用户对推荐结果的满意度和精准营销的有效性。基于此，本文提出了基于多维情景特征分类的个性化推荐算法，本文的主要工作：（1）阅读了大量相关文献，总结了前人的研究成果和不足，对本文研究的算法需要用到的理论基础和关键技术进行了大量的资料查找与总结。本文提出对用户和产品的多维情景特征分类，可以更加快捷地向用户提供更加准确有效的产品推荐列表和为产品提供更加精准的营销对象即是用户列表，并且可以分析出同一情景下用户之间的关联关系以及产品与产品之间的关联关系。（2）对用户和产品的多维情景特征进行聚类，

5、并构建分类模型。利用协同过滤思想构建用户-产品-用户的情景关系网络图。在此基础上构建了多维情景特征分类的用户兴趣度算法，设计了针对用户的个性化推荐方法和针对产品精准营销的推荐方法。（3）进行仿真实验，实验过程先根据实验数据提取了用户和产品的情景特征，使用Single-Pass聚类思想对用户和产品进行聚类，然后使用了决策树和随机森林对聚类后的用户和产品的情景类别标签训练分类器，实现多维情景特征分类的个性化推荐方法，并对实验结果做了评估、对比、分析，验证了本文推荐算法的有效性。关键词：多维情景，个性化推荐，聚类，Single-Pass，分类

6、I重庆师范大学硕士学位论文英文摘要PersonalizedrecommendationmethodbasedonmultidimensionalscenefeatureclassificationABSTRACTNowadays,Internetintercommunicationinvolvesallwalksoflife,suchasthemedical,education,aviation,industryandsoon.Theamountofdatathatcanbecrawledonthenetwork,theamountof

7、datathatneedstobestoredandanalyzedisincreasingexponentially,andtheshareddataaremoreandmore.Therefore,theproblemofinformationoverloadisbecomingevermoreserious.Therefore,therecommendationsystemisinthebigcollar.Thedomainisbecomingevermorepopular,andthedemandforrecommendatio

8、nmethodsinindustrialapplicationsishigherandhigher.Mostoftherecommendationsarebuiltontheinteractiveinfor