资源描述：
《基于时间效应与动态聚类的协同过滤推荐算法》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:20151100036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：基于时间效应与动态聚类的协同过滤推荐算法英文题目：BasedonTimeWeightandDynamicClusteringCollaborativeFilteringRecommendationApproach学生姓名：魏利丹导师姓名：陈建芮教授二○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的研究
2、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识产权，作者毕业后涉及该学位论文的主要内容或研
3、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摘要协同过滤推荐算法是目前应用最为广泛的个性化推荐算法之一.传统的协同过滤推荐算法较少考虑由于时间变化对推荐结果的影响,导致推荐结果不准确.近几年,各大网站用户数和项目数不断增加,推荐系统提供的数据越来越稀疏,因此在整个系统中推荐不仅耗时且精度低.提高推
4、荐结果的准确性是协同过滤推荐算法中最受关注的研究方向.本文为解决数据的稀疏性及推荐的时效性两个问题,提出融合时间效应与动态聚类的协同过滤推荐算法,从以下两个方面具体展开:（1）基于遗忘函数与潜在信息的动态聚类推荐算法.本文通过引入遗忘函数更好地把握用户的动态兴趣变化.同时深度挖掘项目属性、用户属性、资源访问记录这些潜在信息构建异构网络模型.然后利用构造的动力学方程在各网络模块中动态演化聚类,将用户和项目划分到K个子集,理论证明该模型可以达到Lyapunov稳定.聚类将相似度高的用户和项目划分到同一社区,在各社区内进行评分预测.通过Movie
5、Lens数据集进行新算法与现存算法的对比试验,结果显示该算法在减少计算量的同时有效提高了推荐结果的准确性.（2）基于时间权重与用户兴趣的动态聚类推荐算法.本文利用用户对项目评分的时间信息来划分时间段,在不同时间段内,根据用户的兴趣变化建立动态符号网络模型.考虑到符号网络的特殊性,本文定义新的用户节点相似度计算公式.然后通过对不同时间段的相似度矩阵加权处理,得到动态符号网络的邻接矩阵.利用动态演化聚类算法将相似的用户划分到同一社区,使得对目标用户的推荐任务在每个社区内部计算而不是在整个网络中计算.最后通过MovieLens与CiaoDVD两个
6、真实的数据集进行新算法与现有算法的对比试验,验证该算法的有效性.关键词:协同过滤;遗忘函数;动态聚类;潜在信息;相似度内蒙古工业大学硕士学位论文iiiAbstractCollaborativefilteringisoneofthemostwidelyusedindividualrecommendationalgorithms.Traditionalcollaborativefilteringrecommendationalgorithmtakeslesscareoftheinfluenceoftimevariation,whichmaybeina
7、ccuratesubjecttothesparse-nessofdata.Inrecentyears,withtheincreaseofusersanditems,availableinformationismoreandmoresparse.Therefore,thistaskistime-consumingandlowinaccura-cyinthewholesystem.Improvingaccuracyofrecommendationresultsisthemostimportantresearchdirectionincollab
8、orativefilteringrecommendationalgorithm.Inordertosolvetheproblemofdatasparsityandtimeefficie
