毕业设计（论文）-基于社交网络与矩阵补全的协同过滤推荐算法研究

《毕业设计（论文）-基于社交网络与矩阵补全的协同过滤推荐算法研究》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、基于社交网络与矩阵补全的协同过滤推荐算法研究第1章绪论1.1研究的背景及意义随着计算机技术与通信技术的飞速发展，人们已经成功步入了一个全新的互联网时代，为了满足人们的需求，各种智能手机，以及功能齐全的智能终端应运而生，极大地丰富和娱乐了人们的生活，另一方面，也在潜移默化地影响和改变着人们的生活习惯和方式。在互联网和智能终端的影响下，人们的吃穿住行方式都在发生着改变，传统的线下销售模式在不断地向线上发展和扩大。最近几年来，电子商务的发展速度惊人，各种应用软件涵盖了生活的方方面面，都极大的方便了人们的生活学习和工作，深受着广大用户的喜爱

2、。在这样一个互联网支撑的信息时代，数据就显得极为重要，数据的范畴也远远超出了传统的数据范畴，用户的任意一个行为都会产生大量的相应数据，对于各个应用系统来说，用户便是通过他们特定的历史行为数据来存储和标识的，系统为用户提供的功能和服务必须依赖这些宝贵的数据信息。因此，在互联网的影响下，我们正处于一个信息爆炸、数据膨胀【1】的时代。相对于曾经的信息匮乏，海量的信息在给人们带来方便的同时也产生了一定的负面作用，人们难以在浩瀚的数据海洋中找到自己需要的有价值的信息或数据，使信息检索难以进行或取得良好的用户体验度。为了使用户能够快速地从一些信

3、息中找到自己需要的信息，搜索引擎产生了，但是搜素引擎只能在一定程度上解决数据的筛选问题，但是面对信息量极大的数据海洋，搜索引擎仍然无能为力。搜索引擎的工作依赖于用户输入的关键词或语句，因此必须要求用户输入相应的搜索词或语句，用户输入的内容越精确，查找的速度和效果会越好，但是当用户不能很好的描述所要搜索的内容信息时，搜索引擎的搜索效果便会很差，不能很好地为用户服务。为了解决这一问题，推荐系统产生了。18推荐系统的产生很好的解决了数据过载的问题，与搜索引擎的不同点在于，它将被动的信息检索方式改进为主动的分析用户的兴趣爱好以及行为数据，通

4、过构建用户的兴趣模型，分析出用户的潜在需求，为用户推送其可能会感兴趣的数据信息。一方面能够帮助用户快速地发现自己真正感兴趣或有价值的数据信息，另一方面隐性地为信息提供商做了推广，将他们的数据或产品推荐给用户，一定程度上会为商家带来商业价值。因此推荐系统的诞生具有很强的实用价值。1.2推荐算法国内外研究现状推荐系统诞生于二十世纪九十年代，在一定程度上缓解了信息过载的问题，解决了用户在海量数据中的信息检索问题。同时由于推荐系统在数字网络时代具有很好的实用性价值，自诞生以来关于推荐系统的研究和文章层出不穷，很好地推进了推荐系统的发展。现阶

5、段在互联网大数据的背景下，推荐系统已经被很多大型的网站所采用，比如电商平台、娱乐平台、社交平台等。最初的推荐算法主要包括基于人口统计学的推荐，基于内容的推荐，基于效用的推荐等，这些推荐算法思想比较简单，只是将用户或项目进行一些简单的类别划分，因此推荐结果的精确度比较低，并不能很好地满足用户的实际需要。经过一定阶段的发展，又不断提出了基于协同过滤的推荐【2】，基于知识的推荐，基于关联规则的推荐，组合推荐等。在这些推荐算法及模型中，协同过滤推荐算法是应用较广泛、推荐效果较好的一种推荐算法。协同过率推荐算法的思想可以概括为：相似度较高的用

6、户很可能喜欢相同的项目，相似度较高的项目很可能会被同一个用户所喜欢。协同过滤推荐算法诞生于1992年，是由Goldberg，Nicols，Terry等人提出的，由于该算法的思想科学，可操作性较强，推荐结果准确合理，因此得到国内外很多学者的青睐，很多专家学着的研究和改进都基于协同过滤推荐的思想而进行，发展至今，该算法已经成为推荐算法领域最经典的算法之一。已经被广泛地应用在电子商务、社交网络、视频网站、服务广告的个性化推荐等领域中，都具有明显的成效。据统计，亚马逊近30%的销售业绩得益于推荐系统；在Netflix网站中，通过推荐系统的推

7、送60%的用户的用户找到了自己所18喜欢的电影等视频；Facebook根据用户好友的爱好向用户本身推荐他们可能喜欢的内容；Baidu、Google等大型搜索引擎网站也都根据用户的一些历史搜索记录为用户做了相应的广告推送。由于推荐系统的商业应用价值极大，近年来推荐系统的研究很受国内学着的关注，推荐系统及推荐算法曾多次作为ACM竞赛的主题之一，很多国内外知名期刊会议都将推荐系统作为专栏，足以体现了推荐系统的重要性。推荐系统的精髓便是推荐算法，推荐系统的好坏主要取决于推荐算法的性能，一个好的推荐算法不仅能够为用户推荐出与其兴趣爱好相似度较

8、高的项目，同时又具有实时高效的推荐性能，做到满足实用价值的同时又具备了良好的用户体验度。协同过滤推荐算法是基于用户项目评分矩阵模型的，所以该算法的推荐结果与用户项目评分矩阵的数据量密切相关，当该矩阵较稀疏时，推荐结果会不精确。具体的商