基于模糊理论和协同过滤的个性化推荐方法

摘要

随着网络技术的发展和持续完善，为使用户获得更好的用户体验，诸多个性化推荐系统不断涌现。协同过滤技术是传统个性化推荐系统中发展较为完善、应用较为广泛的一种推荐技术，但随着信息技术、网络技术等的不断发展，该系统自身固有的数据稀疏性、用户/项目冷启动以及系统可扩展性等问题越来越成为制约其发展的瓶颈所在。在实际生活中，两个个体之间往往只在某一方面品味相似。传统的个性化推荐算法往往忽略这一事实，在计算用户相似度时将所有项目都考虑进来；另外，协同过滤算法固有的稀疏性问题也会导致核心步骤中最近邻很难被定位，系统的推荐效果收到了极大的影响。本文针对影音视听领域广泛使用的协同过滤推荐系统的某些缺陷进行改进，旨在深入挖掘用户潜在兴趣，在考虑用户评分偏好和兴趣迁移的基础上，得到更为精确、多样的推荐结果。
　　本文提出了一个基于模糊理论和协同过滤的个性化推荐方法。论文首先介绍了近年发展迅速的基于模糊理论的数据挖掘技术，为本文提出的个性化推荐方法提供技术支撑；随后概述了个性化推荐系统中常见的几种推荐技术，并在讨论现有电影推荐系统的基础上，深入分析了协同过滤算法的优缺点，提出了新的数学模型对传统协同过滤技术进行改进；最后在原有工作基础之上给出了基于模糊理论和协同过滤的个性化推荐方法的完整系统架构。首先在概念分层的基础上，引入“隶属度”和“可信度”概念，利用模糊支持向量机算法对项目进行模糊聚类，利用模糊C均值分类算法对各项目类的用户进行可信度量，提出的个性化推荐方法利用上述方法，从两个角度入手通过简单降维和缩减数据集的方式，既改善了稀疏性问题，又可以降低推荐搜索范围，进而提高算法的可扩展性；其次，通过引入“评分偏好”和“兴趣迁移度”概念，提出新的用户相似性度量方法和预测评分公式，对传统协同过滤技术进行改进，使改进后的协同过滤推荐准确度有一定程度的改善；最终，改进后的协同过滤技术对每一个项目类进行分别推荐后，整合每个项目类中推荐项目的所有相关信息并利用本文定义提出的加权模型对其进行加权排序，完成最终推荐。结果证明，提出的个性化推荐方法既可以扩展推荐结果的多样性，进一步发掘目标用户的潜在兴趣，又可以使推荐结果更具准确度、时效性和可解释性。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1引言

1.2课题的研究背景

1.3国内外近年研究成果

1.4研究内容与论文结构

1.5创新之处

第二章 基于模糊理论的数据挖掘技术

2.1引言

2.2模糊理论概述

2.3模糊C均值聚类FCM

2.4模糊支持向量机FSVM

2.5本章小结

第三章 个性化推荐方法的理论基础

3.1引言

3.2推荐技术及分类

3.3协同过滤算法的分类

3.4 其他相关技术介绍

3.5推荐算法的常用数据集与评价标准

3.6 本章小结

第四章 算法的改进与应用

4.1引言

4.2改进后的模糊C均值聚类算法

4.3改进后的模糊支持向量机算法

4.4 改进后的协同过滤算法

4.5 实验方案与结果分析

4.6 本章小结

第五章 基于模糊理论和协同过滤的个性化推荐方法

5.1 引言

5.2基于模糊理论和协同过滤的个性化推荐方法

5.3 实验数据集与环境

5.4 实验方案设计

5.5实验结果与分析

5.6 本章小结

第六章 结束语

6.1 总结

6.2 展望

参考文献

致谢

作者简介