推薦系統(tǒng)中協(xié)同過濾算法的分析

《推薦系統(tǒng)中協(xié)同過濾算法的分析》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、⑧萬方數(shù)據(jù)碩士學(xué)位論文推薦系統(tǒng)中協(xié)同過濾算法的研究論文作者：指導(dǎo)教師：丁日寸習(xí)滅5『IIJ：學(xué)科專業(yè)：研究方向：白宗青金漢均軟件工程數(shù)據(jù)分析華中師范大學(xué)計算機(jī)學(xué)院2015年5月⑧萬方數(shù)據(jù)碩士學(xué)位論文MASrER、STHESISTheApplicationResearchofCollaborativeFilteringonRecommendationSystemAThesisSubmittedinPartialFulfillmentoftheRequirementFortheMSDegreeinComputerApplicationTe

2、chnologyBaiZongqingPostgraduateProgramComputerScienceDepartmentCentralChinaNormalUniversitySupervisor：JinHanjlidAcademicTitle：ProfessorSignatureApprovedMay,2015⑧萬方數(shù)據(jù)碩士學(xué)位論文MASTER’SIHESIS華中師范大學(xué)學(xué)位論文原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下，獨立進(jìn)行研究工作所取得的研究成果。除文中已經(jīng)標(biāo)明引用的內(nèi)容外，本

3、論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對本文的研究做出貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本聲明的法律結(jié)果由本人承擔(dān)。儲鮐溺日凝：■匹年6R1日學(xué)位論文版權(quán)使用授權(quán)書學(xué)位論文作者完全了解華中師范大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬華中師范大學(xué)。學(xué)校有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許學(xué)位論文被查閱和借閱；學(xué)?？梢怨紝W(xué)位論文的全部或部分內(nèi)容，町以允許采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。(保密的學(xué)位論文在解密后遵守此規(guī)定)保密論

4、文注釋：本學(xué)位論文屬于保密，在——年解密后適用本授權(quán)書。非保密論文注釋：本學(xué)位論文不屬于保密范圍，適用本授權(quán)書。．廠作者馘歷鞴導(dǎo)師鮐屋溯日期．k虧年‘月／r目日期：＆。眸占月／日本人已經(jīng)認(rèn)真閱讀“CALIS高校學(xué)位論文全文數(shù)據(jù)庫發(fā)布章程”，同意將本人的學(xué)位論文提交“CALLS高校學(xué)位論文全文數(shù)據(jù)庫”中全文發(fā)布，并可按“章程”中的規(guī)定享受相關(guān)權(quán)益。回恿途塞握交卮澄卮；旦主生；旦二生；旦三生筮壺!作者簽名=。歷床舌日期油凼車?！闻c一導(dǎo)師簽名：日期：毋‘，I舜b月l⑨萬方數(shù)據(jù)碩士學(xué)位論文MAS11ER、STHESIS摘要我們生活在信息爆炸的

5、時代，由人類和機(jī)器產(chǎn)生的數(shù)據(jù)每天以TB級速度增加，人類社會逐漸由IT時代步入數(shù)據(jù)時代。信息過載和興趣數(shù)據(jù)挖掘逐漸成為人類面對的兩大難題，為了有效地解決這兩個問題，學(xué)術(shù)界和工業(yè)界提出了推薦系統(tǒng)的概念，推薦系統(tǒng)主要包含三大組件：數(shù)據(jù)采集、推薦引擎和數(shù)據(jù)可視化，其中最核心的部分是推薦引擎。面對海量的用戶行為數(shù)據(jù)，傳統(tǒng)的推薦算法在實時性、推薦質(zhì)量等方面，存在很大地局限性。為了解決這些問題，高等院校和各大互聯(lián)網(wǎng)公司紛紛引入人力和物力進(jìn)行研究，并且取得一些很好的成果。本文的主要工作及創(chuàng)新包括四個方面：第一，研究常用的經(jīng)典協(xié)同過濾算法：基于項目、用

6、戶、SVD、圖模型和聚類等算法，重點研究了算法的核心原理、運行機(jī)制以及優(yōu)缺點。第二，本文結(jié)合國內(nèi)主流電商平臺當(dāng)當(dāng)網(wǎng)和京東商城，進(jìn)行推薦系統(tǒng)的應(yīng)用案例研究，重點分析在商品購買前、購買中和購買后三個階段中，兩大平臺的推薦系統(tǒng)是如何進(jìn)行商品推薦，并改善服務(wù)體驗的。第三，通過研究經(jīng)典推薦算法的核心原理、推薦角度以及優(yōu)劣勢，提出了基丁聚類模型的混合策略推薦算法，該算法利用線上線下計算扭結(jié)合，從項目到用戶的角度，使用待推薦用戶與項目已評分用戶集的相似度作為權(quán)值，來計算待推薦用戶對項目的評分，然后添加項目評分?jǐn)?shù)據(jù)到用戶的評分鏈表里，最后，在用戶評分

7、鏈表上，運用TopN算法，對用戶推薦項目。該算法在擴(kuò)展性、數(shù)據(jù)稀疏性以及實時推薦等方面對傳統(tǒng)算法進(jìn)行了改進(jìn)。第四，對改進(jìn)的算法效果進(jìn)行驗證分析，本文選用國內(nèi)國際公認(rèn)的MovieLens數(shù)據(jù)集進(jìn)行實驗，以平均絕對偏差為算法的評價標(biāo)準(zhǔn)，分析了在不同的近鄰個數(shù)K、訓(xùn)練集／數(shù)據(jù)集比率R值下，改進(jìn)算法的推薦質(zhì)量。此外，基于改進(jìn)的混合策略推薦算法，開發(fā)了基于MovieLens數(shù)據(jù)集的Web推薦系統(tǒng)，通過精確度、召回率以及F1等類別指標(biāo)，進(jìn)一步驗證了改進(jìn)算法的推薦效果。關(guān)鍵詞：推薦算法；協(xié)同過濾；聚類模型：混合策略；萬方數(shù)據(jù)AbstractWeal

8、elivingintheeraofinformationexplosion，thedataproducedbyhumansandmachinesincreasebyterabyteseveryday，thehumanso