發(fā)布時間：2020-12-14 20:03

　　隨著互聯(lián)網(wǎng)的高速發(fā)展,信息呈現(xiàn)指數(shù)級的增長,給用戶造成信息過載的困擾,使用戶很難獲取所想要的信息。在這種情況下,個性化推薦技術應運而生。個性化推薦技術主要對資源進行高效合理的分配,讓用戶能夠快速的從大量的信息中獲取自己想要的信息。作為個性化推薦技術中作為廣泛應用的協(xié)同過濾推薦技術,雖然在實際應用中獲得了很大的成功,但依然面臨著很多技術上難題。本文首先介紹推薦系統(tǒng)的理論知識和經(jīng)典的推薦算法,然后著重研究了主成分分析和K-means聚類算法與協(xié)同過濾算法的結合,最后通過實驗分析說明改進算法的有效性。本文主要工作如下:1.首先從用戶行為數(shù)據(jù)的時間效應出發(fā)對推薦算法展開研究,分析用戶的興趣不是一層不變的,而是隨著時間變化而變化。針對這個不足,引入時間遺忘函數(shù)改進算法。同時也分析了熱門物品對用戶相似度計算的影響,引入懲罰因子以降低熱門物品對用戶相似度的影響。最后通過實驗,說明加入時間遺忘函數(shù)和懲罰因子改進后的算法在預測評分準確度指標下更有效。2.針對傳統(tǒng)協(xié)同過濾算法對高緯數(shù)據(jù)計算導致的內(nèi)存消耗和時間瓶頸的問題,提出了基于PCA和K-means聚類算法的混合推薦算法,通過對用戶評分矩陣降維后,大大... 

【文章來源】：廣西師范大學廣西壯族自治區(qū)

【文章頁數(shù)】：37 頁

【學位級別】：碩士

【部分圖文】：

中國網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率

圖 1-2 中國網(wǎng)站數(shù)量的增長圖對于如何處理這些信息過載的問題，互聯(lián)網(wǎng)搜索引擎雖然可以在一定的程度上解決大的信息搜索問題，但是，沒法從大量信息數(shù)據(jù)中挖掘用戶潛在的感興趣的物品，同時大的信息存在其中必然會存在用戶并不想要的冗余信息。在這個互聯(lián)網(wǎng)信息大爆炸的時代，個性化推薦系統(tǒng)的研究成為當下的一個大熱點。個性化推薦系統(tǒng)是建立在大規(guī)模數(shù)據(jù)挖掘基礎上的一種高級商務智能平臺，主要功能顧客提供個性化的信息服務和決策支持。一般認為個性化推薦系統(tǒng)最早出現(xiàn)是在 1994明尼蘇達大學，GroupLens 研究組推出的 GroupLens 系統(tǒng)。隨后麻省理工的 Henryieberman 提出個性化導航體 Letzia；雅虎在 1996 年推出個性化的入口我的雅虎；Amazon 1998 年最早把推薦系統(tǒng)應用于商業(yè)；德國 Dresden 的 Tanja Joerding 于 1999 年開發(fā)出個化電子商務系統(tǒng) TELLIM；IBM 在 WebSphere 開發(fā)了個性化功能；谷歌公司于 2003 年其廣告業(yè)務中增加了個性化推薦功能；2006 年，網(wǎng)飛公司開始舉辦推薦算法大賽，這項事為推薦系統(tǒng)的研究做出了廣泛的推廣。此后，推薦系統(tǒng)得到了廣泛的應用，例如：商業(yè)銷售、視頻點播、社交網(wǎng)絡等方面。

圖 1-3 亞馬遜推薦列表除 Amazon 外，國內(nèi)的兩個巨無霸的電子商務公司阿里巴巴和京東商城，同樣在推統(tǒng)方面投入了大量的研發(fā)資金，不斷升級推薦系統(tǒng)，以滿足大數(shù)據(jù)下用戶的需求，提戶的購物體驗，據(jù)京東公司統(tǒng)計，該系統(tǒng)為京東大約貢獻了百分十幾的訂單量。在是頻方面，從最近幾款爆火的幾款短視頻 app，抖音、快手、火山小視頻等等，在這幾視頻 app 火爆的背后，個性化推薦系統(tǒng)有著推波助瀾的作用，帶來了巨大的流量。幾有的視頻的網(wǎng)站都內(nèi)置了推薦模塊，如優(yōu)酷的《猜你喜歡》欄目、愛奇藝的《我的愛》欄目、騰訊視頻的《為你精選》欄目，這些欄目都是推薦系統(tǒng)的應用。國外的 Ne一家電影視頻公司，它通過用戶對電影的評分，對用戶進行分類，從而產(chǎn)生個性化推薦社交網(wǎng)絡方面，推薦系統(tǒng)主用應用于給用戶推薦好友、新聞廣告消息流等推薦以及用能喜歡的物品推薦這三個方面，從以前的人人網(wǎng)到現(xiàn)在的新浪微博、騰訊微信、國外cebook、Twitter 等都內(nèi)置了個性化推薦系統(tǒng)模塊，來提升用戶的滿意度、用戶的黏性高公司的變現(xiàn)的能力。Facebook 是一家非常有名的社交網(wǎng)絡公司，它利用用戶們的偏息和他們的社交網(wǎng)絡關系，開發(fā)出一款 INSTANT PERSONALIZATION 工具，向用戶

【參考文獻】：
期刊論文
[1]一種基于多元社交信任的協(xié)同過濾推薦算法[J]. 王瑞琴,蔣云良,李一嘯,樓俊鋼.  計算機研究與發(fā)展. 2016(06)
[2]基于Mahout的新用戶推薦算法的設計與實現(xiàn)[J]. 高獻衛(wèi),師智斌.  計算機工程與科學. 2015(08)
[3]在推薦系統(tǒng)中利用時間因素的方法[J]. 范家兵,王鵬,周渭博,燕京京.  計算機應用. 2015(05)
[4]時間窗口對個性化推薦算法的影響研究[J]. 宋文君,郭強,劉建國.  復雜系統(tǒng)與復雜性科學. 2015(01)
[5]基于分塊奇異值分解的兩級圖像去噪算法[J]. 劉涵,梁莉莉,黃令帥.  自動化學報. 2015(02)
[6]基于Hadoop的電子商務推薦系統(tǒng)的設計與實現(xiàn)[J]. 李文海,許舒人.  計算機工程與設計. 2014(01)
[7]三部圖張量分解標簽推薦算法[J]. 廖志芳,李玲,劉麗敏,李永周.  計算機學報. 2012(12)
[8]基于KNN-SVM的混合協(xié)同過濾推薦算法[J]. 呂成戍,王維國,丁永健.  計算機應用研究. 2012(05)
[9]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)
[10]矩陣奇異值分解及其在高維數(shù)據(jù)處理中的應用[J]. 尹芳黎,楊雁瑩,王傳棟,王士鵬.  數(shù)學的實踐與認識. 2011(15)

碩士論文
[1]基于Hadoop平臺和Mahout框架的推薦系統(tǒng)研究與實現(xiàn)[D]. 潘燕紅.浙江大學 2015
[2]基于Mahout的推薦系統(tǒng)的研究與實現(xiàn)[D]. 馬寧.蘭州大學 2013



本文編號：2916945