基于聚类和项目属性的均值协同推荐算法的研究

摘要

最近二、三十年随着互联网技术和计算机技术的迅猛发展推动社会的快速进步，使得社会更加的多样化、更加的丰富，也使得信息的传播和获取更加快捷、方便。随着时间的积累保存在互联网上的信息成几何倍数的增加，信息的过载使得我们在查找对自己有用、感兴趣的内容时显得彷徨和无助。协同过滤推荐技术因其简单、高效等优点，在个性化推荐领域得到广泛的研究和应用。
　　本文详细论述了推荐的研究价值和意义，推荐的流程、框架以及几种常用的推荐技术。重点介绍了协同过滤推荐的流程、分类和协同过滤推荐存在的冷启动、稀疏性、扩展性等问题。
　　针对协同过滤推荐出现的这些问题，本文提出一种基于聚类和项目属性的均值协同推荐模型。该模型通过使用改进的聚类算法，对整个评分矩阵进行聚类，以减少计算相似度消耗的时间；模型通过获取物品的时间属性和类型属性来计算物品的特征相似度，以解决协同过滤推荐中的冷启动等问题；
　　本文设计实验，在通用数据集movielens上验证提出的模型。首先，设计实验找出最佳的时间权重因子α和类型权重因子β；其次，通过5组训练集和测试集进行实验，找出协同过滤推荐最佳的邻居数 K，为后面的对比实验做铺垫；然后，通过实验找出最佳的模型组合因子γ；最后，通过设计的对比实验，验证了本文的模型优于传统的基于物品的协同过滤推荐模型，在很大程度上解决了协同过滤的冷启动、扩展性等问题。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1 研究背景和意义

1.2 研究现状

1.3 本文主要研究内容

1.4 本文的组织结构

1.5 本章小结

2 用户偏好推荐系统的研究

2.1 用户偏好推荐系统概述

2.2 用户偏好推荐系统的整体架构

2.3 用户偏好推荐的业务流程

2.4 用户偏好推荐常用技术

2.5 用户偏好推荐常用评测指标

2.6 本章小结

3 协同过滤推荐算法的研究

3.1 协同过滤推荐概述

3.2 常用推荐方法研究

3.4 常用算法比较

3.5 CFR算法所面临的挑战

3.6 本章小结

4 基于聚类和项目属性的均值协同推荐算法

4.1 相似度计算

4.2 基于聚类的改进协同过滤算法

4.3 物品特征属性

4.4 组合推荐算法

4.5 均值推荐

4.6 算法描述

4.7 本章小结

5 实验及分析

5.1 实验环境

5.2 实验数据集

5.3 实验方案

5.4 实验结果及分析

5.5 本章小结

6 总结与展望

6.1 本文总结

6.2 工作展望

参考文献

攻读学位期间的发表论文及科研成果

致谢