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、互聯(lián)網(wǎng)蓬勃發(fā)展,已經(jīng)進(jìn)入了人們生活的方方面面,給人們生活帶來(lái)便捷的同時(shí),產(chǎn)生了大量的數(shù)據(jù)。面對(duì)海量的信息,用戶很難檢索出自己感興趣的信息,導(dǎo)致了“信息過(guò)載”現(xiàn)象。為了解決這類問(wèn)題,推薦系統(tǒng)應(yīng)運(yùn)而生,其通過(guò)分析用戶提供的信息及其行為,建立用戶的興趣模式,匹配用戶偏好,主動(dòng)向用戶推薦其感興趣的信息,幫助用戶發(fā)現(xiàn)其潛在的感興趣信息,提升用戶對(duì)系統(tǒng)的忠誠(chéng)度,推動(dòng)了信息的交互。在推薦系統(tǒng)中推薦算法是核心,其中協(xié)同過(guò)濾技術(shù)是應(yīng)用最廣泛,最成熟的技術(shù)
2、。協(xié)同過(guò)濾技術(shù)不需要用戶檔案,不需要領(lǐng)域相關(guān)的知識(shí),它基于用戶的歷史行為和歷史數(shù)據(jù),推理出用戶隱藏的行為模式和興趣偏好,然后進(jìn)行相關(guān)的推薦。由于協(xié)同過(guò)濾技術(shù)具有較好的推薦效果和較好的擴(kuò)展性,已應(yīng)用于多個(gè)大型商務(wù)網(wǎng)站。本文對(duì)協(xié)同過(guò)濾技術(shù)進(jìn)行深入的研究,提出了一個(gè)多模型的整合模型,對(duì)推薦精度有較大的提升。
本文分析了協(xié)同過(guò)濾兩大主流模型,即隱因子模型和鄰居模型。隱因子模型主要討論奇異值分解(SVD)技術(shù),鄰居模型主要討論基于項(xiàng)目和
3、基于用戶的模型。分析隱因子模型和鄰居模型各自的優(yōu)劣,對(duì)協(xié)同過(guò)濾技術(shù)中存在的問(wèn)題,如可解釋性,擴(kuò)展性,新用戶等問(wèn)題進(jìn)行分析研究。針對(duì)SVD模型精度較高但是缺乏可解釋性的問(wèn)題,引入了不對(duì)稱的SVD模型。通過(guò)考慮用戶和項(xiàng)目偏差來(lái)修改皮爾遜相關(guān)相似性度量規(guī)則,以鄰居關(guān)系來(lái)剪枝不相關(guān)的項(xiàng)目間聯(lián)系,從而形成了剪枝的全局鄰居模型,降低了時(shí)間空間復(fù)雜度,解決了全局優(yōu)化鄰居模型的擴(kuò)展性問(wèn)題。但由于剪枝會(huì)影響精度,因此為了在降低時(shí)間和空間復(fù)雜度的同時(shí)不影響
4、精度,提出因子化項(xiàng)目關(guān)系的全局優(yōu)化鄰居模型,該模型類似于不對(duì)稱SVD模型,但卻有不同的意義。該模型既能整合因子化用戶關(guān)系,又能在保持精度的同時(shí)降低時(shí)間和空間復(fù)雜度,還改善了可解釋性,擴(kuò)展性和新用戶等問(wèn)題。本文還分析了三個(gè)影響推薦技術(shù)精度的其它因素,即隱式反饋、時(shí)間動(dòng)態(tài)影響因子和置信水平,分別總結(jié)了其在各個(gè)模型上的表現(xiàn)形式,并得到隱式反饋和時(shí)間動(dòng)態(tài)影響因子對(duì)推薦效果的提升遠(yuǎn)大于其他因素對(duì)模型的改進(jìn)的結(jié)論。最后綜合前文的總結(jié)、研究分析及一些
5、改進(jìn)工作,提出了一個(gè)整合了基線估計(jì)、剪枝的全局鄰居模型、SVD++和因子化用戶關(guān)系的全局鄰居模型,以及添加了時(shí)間動(dòng)態(tài)影響的新的綜合模型。
本文在Netflix數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),根據(jù)均方誤差根(RMSE)測(cè)量推薦效果。分別比較各個(gè)鄰居模型的精度和各個(gè)SVD模型的精度;比較了不同因子化鄰居模型對(duì)運(yùn)行時(shí)間的改善;比較了帶有時(shí)間動(dòng)態(tài)影響因子模型和不帶時(shí)間動(dòng)態(tài)因子模型的精度。由Netflix數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了以下結(jié)論:因子化用戶間或項(xiàng)
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
- 基于協(xié)同過(guò)濾的推薦系統(tǒng)相關(guān)算法研究.pdf
- 基于時(shí)間權(quán)重的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于動(dòng)態(tài)統(tǒng)計(jì)的協(xié)同過(guò)濾推薦算法研究.pdf
- 動(dòng)態(tài)推薦系統(tǒng)中的協(xié)同過(guò)濾算法研究.pdf
- 基于動(dòng)態(tài)信任模型的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于用戶動(dòng)態(tài)行為的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的視頻推薦系統(tǒng).pdf
- 基于協(xié)同過(guò)濾的推薦系統(tǒng)的研究.pdf
- 基于協(xié)同過(guò)濾的推薦系統(tǒng)研究.pdf
- 協(xié)同過(guò)濾推薦算法的動(dòng)態(tài)性研究.pdf
- 基于知識(shí)的協(xié)同過(guò)濾推薦系統(tǒng)研究.pdf
- 基于協(xié)同過(guò)濾算法的電影推薦系統(tǒng)
- 基于協(xié)同過(guò)濾的網(wǎng)格門戶協(xié)同推薦系統(tǒng)的研究.pdf
- 基于協(xié)同過(guò)濾算法的音樂推薦系統(tǒng).pdf
- 基于時(shí)間加權(quán)與評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的電影推薦系統(tǒng)的構(gòu)建.pdf
- 基于鄰域的協(xié)同過(guò)濾推薦系統(tǒng)相似度研究.pdf
- 基于用戶協(xié)同過(guò)濾的視頻推薦系統(tǒng)研究.pdf
- 推薦系統(tǒng)中基于內(nèi)存的協(xié)同過(guò)濾算法研究.pdf
- 基于標(biāo)簽和協(xié)同過(guò)濾的圖片推薦系統(tǒng).pdf
評(píng)論
0/150
提交評(píng)論