

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、當(dāng)前互聯(lián)網(wǎng)發(fā)展日新月異,伴隨著各種互聯(lián)網(wǎng)應(yīng)用不斷推出,網(wǎng)絡(luò)應(yīng)用數(shù)據(jù)也爆發(fā)式增長(zhǎng)。面對(duì)如此海量的數(shù)據(jù)信息,用戶已經(jīng)無(wú)法直接的獲取其所需要的有效信息。針對(duì)這種信息過(guò)載的問題,科研工作者提出了許多的解決方案。這其中具有代表性的且實(shí)現(xiàn)效果較好方案的就是推薦系統(tǒng)。盡管目前在推薦系統(tǒng)領(lǐng)域的研究成效顯著,但是仍然還有一些難題等待解決,比如面對(duì)海量數(shù)據(jù)的處理問題、系統(tǒng)的冷啟動(dòng)問題、推薦效果的準(zhǔn)確性問題等。另一方面,推薦系統(tǒng)的運(yùn)行,需要盡可能的收集用戶的
2、信息及行為數(shù)據(jù)等,而且由于一些網(wǎng)絡(luò)應(yīng)用存在著漏洞導(dǎo)致用戶數(shù)據(jù)泄露的事件也時(shí)有發(fā)生,因此如何有效保護(hù)用戶隱私數(shù)據(jù)的安全也成為當(dāng)前的一個(gè)研究熱點(diǎn)。
本文首先在系統(tǒng)闡述推薦系統(tǒng)的研究背景、基本原則及研究熱點(diǎn)的基礎(chǔ)上,歸納總結(jié)了當(dāng)前常用的推薦模型及算法的實(shí)現(xiàn)方式及其優(yōu)缺點(diǎn)。然后,本文以與社交網(wǎng)絡(luò)分析相結(jié)合提高推薦系統(tǒng)準(zhǔn)確度以及在推薦系統(tǒng)中用戶隱私保護(hù)為主要研究點(diǎn),提出了本文相應(yīng)的解決方案,其中具體的研究?jī)?nèi)容有:
?。?)基于社
3、交網(wǎng)絡(luò)用戶信息分析,提出了一種基于社交網(wǎng)絡(luò)的用戶相似度評(píng)分算法,算法通過(guò)建立用戶信任度模型,充分利用社交網(wǎng)絡(luò)用戶個(gè)人興趣信息,用戶關(guān)系數(shù)據(jù)。另外對(duì)于數(shù)據(jù)稀疏的情況,采用了相似度的傳遞算法,有效緩解數(shù)據(jù)稀疏的問題,確定目標(biāo)用戶的最臨近鄰居集合,從而根據(jù)公式計(jì)算得到社交網(wǎng)絡(luò)的用戶相似度預(yù)測(cè)評(píng)分;然后針對(duì)基于模型的協(xié)同過(guò)濾算法空間復(fù)雜度較高,使用了一種改進(jìn)的協(xié)同過(guò)濾算法,算法利用潛語(yǔ)義模型求解“用戶特征-項(xiàng)目”評(píng)分矩陣,對(duì)求解的矩陣信息及用戶
4、特征信息采用線性加權(quán)的方式預(yù)測(cè)出用戶特征評(píng)分;最后對(duì)于用戶對(duì)項(xiàng)目的最終評(píng)分的預(yù)測(cè)計(jì)算,采用一種融合上述用戶相似度評(píng)分及用戶特征評(píng)分的學(xué)習(xí)算法。該算法利用用戶相似度評(píng)分、特征評(píng)分、社交網(wǎng)絡(luò)信息、用戶特征數(shù)量等作為訓(xùn)練特征,以用戶實(shí)際評(píng)分為標(biāo)注信息,利用Fisher線性判別為訓(xùn)練模型預(yù)測(cè)用戶對(duì)項(xiàng)目的最終評(píng)分。最終實(shí)驗(yàn)證明本算法取得較高的準(zhǔn)確度。
?。?)考慮社交網(wǎng)絡(luò)用戶隱私保護(hù)的問題,提出一種基于項(xiàng)目特征相似度的協(xié)同過(guò)濾推薦算法。算
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于社交網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于時(shí)序行為挖掘和隱私保護(hù)的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于社交網(wǎng)絡(luò)信息的協(xié)同過(guò)濾推薦算法研究.pdf
- 面向協(xié)同過(guò)濾推薦的混合隱私保護(hù)技術(shù)和算法研究.pdf
- 隱私保持協(xié)同過(guò)濾推薦算法研究.pdf
- 基于社交網(wǎng)絡(luò)的協(xié)同過(guò)濾算法研究.pdf
- 基于社交網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法的研究與實(shí)現(xiàn).pdf
- 一種基于社交網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法研究.pdf
- 推薦系統(tǒng)中協(xié)同過(guò)濾算法及隱私保護(hù)機(jī)制研究.pdf
- 協(xié)同過(guò)濾推薦算法在社交網(wǎng)絡(luò)中的研究與應(yīng)用.pdf
- 基于差分隱私保護(hù)的協(xié)同過(guò)濾推薦技術(shù)研究.pdf
- 基于社交網(wǎng)絡(luò)信任度的協(xié)同過(guò)濾推薦系統(tǒng)的研究.pdf
- 基于時(shí)間感知和社交網(wǎng)絡(luò)信任度的協(xié)同過(guò)濾算法研究.pdf
- 基于變權(quán)的隱私保護(hù)協(xié)同過(guò)濾推薦技術(shù)研究.pdf
- 基于用戶協(xié)同過(guò)濾推薦算法的研究.pdf
- 基于協(xié)同過(guò)濾技術(shù)的推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的圖書推薦算法研究.pdf
- 基于協(xié)同過(guò)濾技術(shù)的推薦算法研究
- 基于SVD的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的器件推薦算法研究.pdf
評(píng)論
0/150
提交評(píng)論