基于協(xié)同過濾的個性化推薦相似度測量算法的研究

《基于協(xié)同過濾的個性化推薦相似度測量算法的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號密級一ＵＤＣ學(xué)號＾八Ｐ如讀ｔ０為爲(wèi)終文乂穿碩±學(xué)位論文＇Ｔｈｅｓｉｓ化ｒＭａｓｔｅｒｓＤｅｇｒｅｅ論文題目基于訪同過濾的個性化推薦相似度測量算法的研究申請學(xué)位類別全日制專業(yè)碩±專業(yè)名稱計算機技術(shù)黎晨研究生姓名導(dǎo)師姓名法教授？、職稱廖列二〇—六年五月學(xué)位論文獨創(chuàng)性聲明本人聲明所呈交的論文是本人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研巧成果。據(jù)標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫我所知，隙了文中

2、特別加封學(xué)位或證書而使用過的過的研巧成果，也不包含己獲得江西理工大學(xué)或其他教育機構(gòu)的一己在論文中做了明確的說明并表材料。與我同工作的同志對本研巧所做的任何貢獻均示謝意。一申請學(xué)位論文與資料若有不實之處，本人承擔(dān)切相關(guān)貴任。：年曰時間＿研究生簽名：Ｔ月書＞化）學(xué)位論文版權(quán)使用授權(quán)書、；即學(xué)校有權(quán)保本人完全了解江西理工大學(xué)關(guān)于收集、保存使用學(xué)位論文的規(guī)定內(nèi)容存按要求提交的學(xué)位論文印刷本巧電子版本，學(xué)校有權(quán)將學(xué)位論文的全部或者部分、、匯編料供查閱和編入有關(guān)數(shù)據(jù)庫進行檢索，并采

3、用影印縮印或掃描等復(fù)制手段保存借閱向國家有關(guān)部口或者機構(gòu)送交論文的復(fù)印件和電子版。本人；學(xué)校有權(quán)按有關(guān)規(guī)定允許本學(xué)位論文被查閱和借閱，同意學(xué)校向國家有關(guān)部口或機構(gòu)送交論文的復(fù)印件和電子版，并通過網(wǎng)絡(luò)向社會公眾提供信息服務(wù)。保密的學(xué)位論文在解密后適用本授段書學(xué)位論文作者簽名（手寫導(dǎo)師簽名（手寫ｒ＂／｝＇簽字曰期：４年曰簽字曰期：年廠月曰＞分類號：密級：UDC：學(xué)號：碩士學(xué)位論文基于協(xié)同過濾的個性化推薦相似度測量算法的研究Theresearchofpersonalizedrecomme

4、ndationalgorithmformeasuringsimilarity學(xué)位類別：_____工程碩士______作者姓名：黎晨學(xué)科、專業(yè)：計算機技術(shù)研究方向：推薦系統(tǒng)指導(dǎo)教師：廖列法教授2016年05月31日江西理工大學(xué)碩士學(xué)位論文摘要摘要近十多年來，互聯(lián)網(wǎng)爆炸式的發(fā)展把網(wǎng)絡(luò)社會文明帶入新型信息時代。增長的數(shù)據(jù)資源使得用戶有更多選擇，但如何去選擇用戶自己需要的信息卻變得日益艱難。面對海量的數(shù)據(jù)，無論是對于用戶還是供應(yīng)商來說如何獲得自己所感興趣的事情已經(jīng)成為了極大的挑戰(zhàn)，用戶難以在數(shù)據(jù)海洋中得到想要的需求

5、信息，物品供應(yīng)商在大量的互聯(lián)網(wǎng)信息垃圾中剝離出用戶的真實需求也是一項復(fù)雜艱難的工作。如何從信息海洋中提取并提煉到準確乃至精確的信息，推薦系統(tǒng)起到了極為重要的作用。協(xié)同過濾作為推薦系統(tǒng)中應(yīng)用最廣泛最經(jīng)典的一套算法，學(xué)者對它的關(guān)注和改進未曾止步，協(xié)同過濾能夠直接或間接的挖掘用戶顯性或者隱性的需求信息并產(chǎn)生推薦。而在實際使用推薦的過程中，卻常常因數(shù)據(jù)稀疏、冷啟動等問題并不能獲得較理想的推薦效果。為此，本文以相似度和鄰居選擇作為切入點，分別提出了基于歐式空間相似度的云模型協(xié)同過濾算法和用戶屬性加權(quán)活躍近鄰的協(xié)同過濾

6、算法，本文的相應(yīng)的主要工作如下：（1）分析了推薦領(lǐng)域的研究現(xiàn)狀，回顧了協(xié)同過濾推薦的基本原理及云模型的理論知識，分別對各種協(xié)同過濾算法做了簡要闡述。介紹了采用余弦相似度計算方法的云模型協(xié)同過濾推薦算法基本原理和推薦過程，詳細描述了基于kNN近鄰的協(xié)同過濾算法中目標用戶的最近鄰居集的生成過程。（2）針對傳統(tǒng)的基于余弦相似度度量的云模型協(xié)同過濾推薦算法，未考慮特征向量的長度和維度，忽略了三個重要數(shù)字特征云期望、熵和超熵的關(guān)系，如各數(shù)字特征具有不同的性質(zhì)和權(quán)重，導(dǎo)致特征丟失、區(qū)分度過小的問題。針對這些問題，提出了

7、一種采用標準化的多維歐幾里德相似度計算方法，通過將三個數(shù)字特征映射為三維空間的點，計算經(jīng)指數(shù)函數(shù)標準化的歐幾里德相似度，生成更合理的用戶k近鄰集，最終產(chǎn)生推薦。實驗結(jié)果表明，該相似度計算方法能夠為云特征向量提供更顯著的區(qū)分度，并在一定程度上提高了推薦質(zhì)量。（3）針對現(xiàn)有的基于kNN近鄰協(xié)同過濾技術(shù)，在選擇最近鄰居時過于依賴評分相似度的問題，提出了一種用戶屬性加權(quán)活躍近鄰的協(xié)同過濾算法。首先，通過引入用戶特征屬性并融合最小權(quán)重相似度，根據(jù)所得的最終相似度生成目標用戶的kNN近鄰集。然后，從對目標項目已有反饋信

8、息的用戶中生成目標項目的活躍用戶子群體，并篩選出kNN近鄰集中的活躍用戶子群體作為目標用戶的活躍近鄰集，最終產(chǎn)生評分預(yù)測。公開數(shù)據(jù)集上的實驗表明，該算法在獲得推薦精準性提高的同時具備了更好的穩(wěn)定性。關(guān)鍵詞：協(xié)同過濾；云模型；歐式空間；相似度；用戶屬性；近鄰IAbstractAbstractOverthepastdecade,thedevelopmentoftheInternethasbroughtthedevel