基于協(xié)同過濾的推薦算法研究與引擎設計.pdf_第1頁
已閱讀1頁，還剩77頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、隨著推薦系統(tǒng)的持續(xù)發(fā)展和應用，用戶數(shù)和項目數(shù)驟增，導致現(xiàn)有的推薦系統(tǒng)受到冷啟動問題、稀疏性問題和可擴展性問題的阻撓。本文從協(xié)同過濾推薦算法出發(fā)，深入探討了協(xié)同過濾推薦算法中運用的各種技術，分析了各種協(xié)同過濾推薦算法的特點，從不同角度給出了上述問題的解決思路。
　　為提高推薦算法的推薦效果，提出兩種改進的相似度計算公式 EuclideanRPR相似度與 Co-Occurrence-RPR相似度。EuclideanRPR相似度提高了推

2、薦結果的精度，Co-Occurrence-RPR相似度提高了推薦結果的準確率和召回率。在MovieLens經典數(shù)據(jù)集上驗證了改進相似度的有效性。
　　為解決共同評分數(shù)據(jù)偏少導致的相似度計算公式可信度下降的問題，提出一種融合物品標簽信息的混合推薦算法 ItemCF-T，該算法能夠根據(jù)項目間共同評分項目的數(shù)量信息，自適應選取合適的相似度計算公式，從而使推薦精度有所提高，在MovieLens數(shù)據(jù)集上驗證了該算法的有效性。
　　為解

3、決推薦系統(tǒng)中常見的數(shù)據(jù)稀疏和擴展性問題，研究了四種基于SVD的推薦算法，分別是SVD-ALS、SVD-SGD、Biased-SVD及SVD++算法，并比較了各個基于SVD推薦算法的特點，最終通過在MovieLens數(shù)據(jù)集上的實驗驗證了基于SVD的協(xié)同過濾推薦算法的優(yōu)勢與前景。
　　最后，實現(xiàn)了一個基于 C/S模式的電影推薦系統(tǒng)，并運用上述改進的Co-Occurrence-RPR相似度的ItemCF算法對推薦引擎進行實現(xiàn)并優(yōu)化，使用

溫馨提示

  • 1. 本站所有資源如無特殊說明，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，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論