資源描述：
《基于時間加權(quán)的混合推薦算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、廈門大學(xué)學(xué)位論文原創(chuàng)性聲明本人呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下，獨(dú)立完成的研究成果。本人在論文寫作中參考其他個人或集體己經(jīng)發(fā)表的研究成果，均在文中以適當(dāng)方式明確標(biāo)明，并符合法律規(guī)范和《廈門大學(xué)研究生學(xué)術(shù)活動規(guī)范(試行)》。另外，該學(xué)位論文為()課題(組)的研究成果，獲得()課題(組)經(jīng)費(fèi)或?qū)嶒?yàn)室的資助，在()實(shí)驗(yàn)室完成。(請在以上括號內(nèi)填寫課題或課題組負(fù)責(zé)人或?qū)嶒?yàn)室名稱，未有此項(xiàng)聲明內(nèi)容的，可以不作特別聲明。)聲明人(簽名)：卻剃Ⅺ哆年6月弓日廈門大學(xué)學(xué)位論文著作權(quán)使用聲明本人同意廈門大學(xué)根據(jù)《中華人民共和國學(xué)位條例暫行實(shí)施辦法》等規(guī)定保留和使用
2、此學(xué)位論文，并向主管部門或其指定機(jī)構(gòu)送交學(xué)位論文(包括紙質(zhì)版和電子版)，允許學(xué)位論文進(jìn)入廈門大學(xué)圖書館及其數(shù)據(jù)庫被查閱、借閱。本人同意廈門大學(xué)將學(xué)位論文加入全國博士、碩士學(xué)位論文共建單位數(shù)據(jù)庫進(jìn)行檢索，將學(xué)位論文的標(biāo)題和摘要匯編出版，采用影印、縮印或者其它方式合理復(fù)制學(xué)位論文。本學(xué)位論文屬于：()1．經(jīng)廈門大學(xué)保密委員會審查核定的保密學(xué)位論文，于年月日解密，解密后適用上述授權(quán)。()2．不保密，適用上述授權(quán)。(請在以上相應(yīng)括號內(nèi)打“√”或填上相應(yīng)內(nèi)容。保密學(xué)位論文應(yīng)是已經(jīng)廈門大學(xué)保密委員會審定過的學(xué)位論文，未經(jīng)廈門大學(xué)保密委員會審定的學(xué)位論文均為公
3、開學(xué)位論文。此聲明欄不填寫的，默認(rèn)為公開學(xué)位論文，均適用上述授權(quán)。)聲明人j㈣：狳戳廠I7-．ol3年勿月摘要隨著互聯(lián)網(wǎng)的迅猛發(fā)展，發(fā)布在互聯(lián)網(wǎng)上的商務(wù)信息呈爆炸性增長。但據(jù)統(tǒng)計，相對于99％的用戶而言，99％的Web信息是無用的，大量的無關(guān)信息會干擾甚至淹沒用戶真正需要的內(nèi)容。因此，推薦系統(tǒng)應(yīng)運(yùn)而生，它利用網(wǎng)站向用戶提供商品信息和建議，幫助網(wǎng)站有效地留住用戶，防止用戶流失。但是隨著推薦系統(tǒng)規(guī)模的進(jìn)一步擴(kuò)大，推薦系統(tǒng)也面臨一系列挑戰(zhàn)。包括實(shí)時性和可擴(kuò)展性、稀疏性和“冷啟動"等方面的問題。這些問題影響了推薦系統(tǒng)的效率和推薦質(zhì)量。因此，對推薦系統(tǒng)所面
4、臨的問題的研究具有十分重要的意義。本文對推薦系統(tǒng)的數(shù)據(jù)稀疏性問題、推薦精度問題和推薦質(zhì)量問題進(jìn)行了深入的研究。本文首先詳細(xì)地分析了協(xié)同過濾算法中的數(shù)據(jù)稀疏性問題，研究了現(xiàn)有的解決方法，針對傳統(tǒng)的相似度度量方法會導(dǎo)致預(yù)測誤差的問題，提出了一種新的基于SimHash相似度計算方法。算法通過提取項(xiàng)目的特征向量，利用SimHash算法的高效降維，快速計算項(xiàng)目的近鄰。然后根據(jù)用戶對項(xiàng)目近鄰的評分結(jié)合項(xiàng)目的平均評分得到最后評分填充用戶一項(xiàng)目評分矩陣中的空白項(xiàng)。實(shí)驗(yàn)證明該方法有效的解決了評分矩陣的稀疏性問題，提高了推薦算法的推薦質(zhì)量同時還大大減少了算法的時間復(fù)
5、雜度，提高了推薦算法的實(shí)時響應(yīng)速度。深入研究了傳統(tǒng)的推薦算法，指出了傳統(tǒng)的推薦算法忽略了用戶的興趣會隨時間而變化這一特點(diǎn)，根據(jù)傳統(tǒng)推薦算法的不足之處提出了一種基于時間加權(quán)的混合推薦算法，該算法在使用基于SimHash的相似度計算方法解決評分矩陣稀疏性問題的基礎(chǔ)上，利用用戶對項(xiàng)目的評分相似度和評分時間相似度來計算用戶間的相似度。最后在預(yù)測用戶對未評分項(xiàng)的分?jǐn)?shù)時，通過時間衰減因子對分?jǐn)?shù)進(jìn)行時間加權(quán)，實(shí)現(xiàn)了用戶興趣的時間效應(yīng)。實(shí)驗(yàn)結(jié)果表明該算法解決了因用戶的興趣隨時間衰減轉(zhuǎn)變而導(dǎo)致的推薦質(zhì)量低的問題，豐富了推薦系統(tǒng)的個性化特點(diǎn)。關(guān)鍵字：推薦系統(tǒng)、協(xié)同過
6、濾、時間AbstractWiththerapiddevelopmentoftheInternet,businessinformationpublishedontheInternetgowsexplosively．Butaccordingtostatistics，for99％users，99％webinformationisuseless．Alargenumberofirrelevantinformationwilldisruptevendrownwhatusersreallyneed．Therefore，therecommendersysteme
7、merged．Ituseswebsitetooffercommodityinformationandadviceforusers，helpsthewebsitetoke印theUSers，andpmventsthebstofusers．Withthefurtherexpansionoftherecommendersystem,therecommendersystemisfacingaseriesofchallenges，includingreal-timeissues，expandability,sparsity,‘'coldstart’’and
8、SOoILTheseissuesimpacttheefficiencyandrecommendationqmlityoftherecom
