基于项目和消费者偏好视角的个性化推荐服务研究
这是一篇关于个性化推荐,协同过滤算法,数据稀疏性,类别偏好,项目流行度的论文, 主要内容为近年来,伴随着互联网技术的发展“信息过载”问题愈演愈烈,如何从海量信息中获取感兴趣信息就变得异常重要。个性化推荐服务系统以推荐算法为核心,通过挖掘历史数据以缓解“信息过载”、改善消费者体验。然而历史数据的稀疏性制约了其应用。此外,消费者兴趣和项目流行度会随着时间而改变,也会对推荐结果产生消极影响。机器学习算法具有较强的特征提取和拟合能力,文中将其与协同过滤算法相结合以期解决上述问题。具体研究内容如下:(1)提出了基于多重相似度和Cat Boost的个性化推荐模型。针对“消费者-项目”评分矩阵稀疏导致推荐系统精度低的问题,首先利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合,接着采用大规模信息嵌入网络对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集。然后,以此作为Cat Boost的输入预测项目评分并利用Top-N推荐项目。最后,以Movie Lens数据集为实例进行实证分析并与RBF-CF、XGB-CF、UCF和Cat Boost进行对比。结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性对推荐系统的影响。(2)提出了融合类别偏好与项目时效因素的混合推荐模型。针对类别偏好与项目时效因素对推荐算法性能的影响,首先采用哈夫曼编码融合类别偏好与项目时效因素的评分数据;接着求解消费者、项目相似度矩阵并由Deep Walk模型挖掘其潜在特征向量;然后融合消费者、项目特征向量并由极限学习机(ELM)预测项目评分。最后以Movie Lens数据集为实例,ICF、UCF、ELM、RBF-CF和XGB-RF为对比方法进行实证分析验证该方法在不同比例训练集下的推荐性能。结果表明,该方法可有效缓解类别偏好与项目时效因素对推荐结果的影响。以上算法不仅能缓解数据稀疏性、类别偏好及项目时效因素对个性化推荐的影响,深入挖掘消费者潜在偏好;且有利于商家分析消费者需求提供更加精准的个性化服务。
基于协同过滤的博物馆推荐系统的设计与实现
这是一篇关于博物馆,协同过滤算法,用户活跃度,项目流行度,BP神经网络的论文, 主要内容为随着网络的普及以及信息技术水平的提高,人们的生活方式发生了很大变化。人们已经从物质追求转化为更深层次的精神追求,博物馆作为文化传播的窗口起到越来越重要的作用。近年来,博物馆在进行信息化建设的过程中,更加重视文物的展示和传播,使用各种信息化手段将馆藏文物展示给观众,但由此带来了信息过载的问题。互联网上展示的文物数量过多,用户浏览时看不到自己想要浏览的文物信息,而推荐系统在一定程度上可以解决信息过载的问题。本文以河北博物院智慧博物馆为应用场景,对传统协同过滤推荐算法中存在的问题进行了改进,设计并实现了一套基于协同过滤的博物馆推荐系统。当用户访问系统中某个文物时,系统根据当前文物的特征属性以及用户的历史行为数据,为用户推荐与当前文物相似的其他文物信息。协同过滤推荐算法广泛应用于亚马逊、当当、淘宝等大型网站,具有良好的推荐效果[1]。但是冷启动、评分矩阵稀疏等问题依然存在,本文结合应用场景对协同过滤算法进行以下改进:1)传统的协同过滤推荐算法在计算两个文物相似度时,主要考虑两个文物有共同评分的情况,但由于系统的评分矩阵稀疏,在计算文物相似度时误差较大。本文考虑了只对一个文物有评分的情况,对于没有评分的文物,我们需要预测用户对此文物的偏好,这个偏好可能与用户本身的活跃度和文物的流行度有关。本文综合考虑两者的影响,提出了加入相关的惩罚因子来提高推荐的准确度。2)提出了利用文物属性相似度来解决冷启动问题。如果没有用户的历史评分,利用文物特有的属性特征来计算与其他文物的相似度,可以提高推荐的准确度。3)利用人工神经网络自学习的特点,在计算文物相似度时,将用户对文物的历史评分的相似度与文物本身属性的相似度作为BP神经模型的输入,经过正向传播过程,得到最终文物的相似度,并计算文物的预测得分。然后将预测得分与真实评分的误差反向进行调整,不断更新权值和偏置,得到最终的预测模型。
推荐多样性算法研究
这是一篇关于推荐系统,推荐多样性,好奇心,组推荐,项目流行度的论文, 主要内容为推荐技术已经成为信息过载时代提供个性化服务的关键技术。目前推荐系统为了追求高准确率推荐,导致推荐结果多样性下降,用户体验感差。针对目前研究中推荐结果多样性低下的问题,本文在个体推荐中,将社交好奇心理论,应用到相似用户推荐中,提出了基于相似用户好奇心的多样性推荐方法(Similar users’curiosity)。在群组推荐中,结合基于项目流行度的重排序方法,提出了基于项目流行度的群组多样性推荐算法(Group recommendation method based on item popularity)。基于以上两个方面的考虑,本文主要工作如下:(1)针对用户间诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法(SUC)。SUC方法在相似用户及协同过滤方法的基础上,预测用户对项目的评分,并计算好奇心评分,融合两个评分得到用户对项目的多样性评分,然后生成项目推荐列表。SUC方法通过分析用户的评分数据计算获得用户的相似关系,不需额外数据,增强了普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法提升了推荐结果的多样性,同时也提升了推荐准确率,召回率和覆盖率。(2)针对组推荐中,提高组推荐准确率而忽视组推荐结果多样性的问题,提出了基于项目流行度的组推荐多样性方法(GRMP)。首先,GRMP方法使用传统推荐预测方法,获取用户对项目的预测评分。然后,预测群组对项目的评分。最后,按照基于项目流行度的重排序方法,重新生成群组推荐列表。两个真实数据集上的实验结果显示,与其它基准方法相比,GRMP方法在保证了极少准确率损失下,提高了推荐结果的多样性。本文提出了两种多样性推荐方法,通过实验验证了SUC和GRMP方法都能很好的提高推荐列表的多样性,并且SUC方法还能提高其余推荐指标。
基于协同过滤的博物馆推荐系统的设计与实现
这是一篇关于博物馆,协同过滤算法,用户活跃度,项目流行度,BP神经网络的论文, 主要内容为随着网络的普及以及信息技术水平的提高,人们的生活方式发生了很大变化。人们已经从物质追求转化为更深层次的精神追求,博物馆作为文化传播的窗口起到越来越重要的作用。近年来,博物馆在进行信息化建设的过程中,更加重视文物的展示和传播,使用各种信息化手段将馆藏文物展示给观众,但由此带来了信息过载的问题。互联网上展示的文物数量过多,用户浏览时看不到自己想要浏览的文物信息,而推荐系统在一定程度上可以解决信息过载的问题。本文以河北博物院智慧博物馆为应用场景,对传统协同过滤推荐算法中存在的问题进行了改进,设计并实现了一套基于协同过滤的博物馆推荐系统。当用户访问系统中某个文物时,系统根据当前文物的特征属性以及用户的历史行为数据,为用户推荐与当前文物相似的其他文物信息。协同过滤推荐算法广泛应用于亚马逊、当当、淘宝等大型网站,具有良好的推荐效果[1]。但是冷启动、评分矩阵稀疏等问题依然存在,本文结合应用场景对协同过滤算法进行以下改进:1)传统的协同过滤推荐算法在计算两个文物相似度时,主要考虑两个文物有共同评分的情况,但由于系统的评分矩阵稀疏,在计算文物相似度时误差较大。本文考虑了只对一个文物有评分的情况,对于没有评分的文物,我们需要预测用户对此文物的偏好,这个偏好可能与用户本身的活跃度和文物的流行度有关。本文综合考虑两者的影响,提出了加入相关的惩罚因子来提高推荐的准确度。2)提出了利用文物属性相似度来解决冷启动问题。如果没有用户的历史评分,利用文物特有的属性特征来计算与其他文物的相似度,可以提高推荐的准确度。3)利用人工神经网络自学习的特点,在计算文物相似度时,将用户对文物的历史评分的相似度与文物本身属性的相似度作为BP神经模型的输入,经过正向传播过程,得到最终文物的相似度,并计算文物的预测得分。然后将预测得分与真实评分的误差反向进行调整,不断更新权值和偏置,得到最终的预测模型。
基于协同过滤的博物馆推荐系统的设计与实现
这是一篇关于博物馆,协同过滤算法,用户活跃度,项目流行度,BP神经网络的论文, 主要内容为随着网络的普及以及信息技术水平的提高,人们的生活方式发生了很大变化。人们已经从物质追求转化为更深层次的精神追求,博物馆作为文化传播的窗口起到越来越重要的作用。近年来,博物馆在进行信息化建设的过程中,更加重视文物的展示和传播,使用各种信息化手段将馆藏文物展示给观众,但由此带来了信息过载的问题。互联网上展示的文物数量过多,用户浏览时看不到自己想要浏览的文物信息,而推荐系统在一定程度上可以解决信息过载的问题。本文以河北博物院智慧博物馆为应用场景,对传统协同过滤推荐算法中存在的问题进行了改进,设计并实现了一套基于协同过滤的博物馆推荐系统。当用户访问系统中某个文物时,系统根据当前文物的特征属性以及用户的历史行为数据,为用户推荐与当前文物相似的其他文物信息。协同过滤推荐算法广泛应用于亚马逊、当当、淘宝等大型网站,具有良好的推荐效果[1]。但是冷启动、评分矩阵稀疏等问题依然存在,本文结合应用场景对协同过滤算法进行以下改进:1)传统的协同过滤推荐算法在计算两个文物相似度时,主要考虑两个文物有共同评分的情况,但由于系统的评分矩阵稀疏,在计算文物相似度时误差较大。本文考虑了只对一个文物有评分的情况,对于没有评分的文物,我们需要预测用户对此文物的偏好,这个偏好可能与用户本身的活跃度和文物的流行度有关。本文综合考虑两者的影响,提出了加入相关的惩罚因子来提高推荐的准确度。2)提出了利用文物属性相似度来解决冷启动问题。如果没有用户的历史评分,利用文物特有的属性特征来计算与其他文物的相似度,可以提高推荐的准确度。3)利用人工神经网络自学习的特点,在计算文物相似度时,将用户对文物的历史评分的相似度与文物本身属性的相似度作为BP神经模型的输入,经过正向传播过程,得到最终文物的相似度,并计算文物的预测得分。然后将预测得分与真实评分的误差反向进行调整,不断更新权值和偏置,得到最终的预测模型。
基于协同过滤的推荐算法设计
这是一篇关于社区发现,信任机制,协同过滤,项目流行度,用户执行度的论文, 主要内容为信息化技术因其高速发展和普遍应用的特点,为日常生活提供便利的同时,也带来了“用户数据困扰”,面对海量数据如何过滤冗余信息,高效地提供符合用户个性化需求的有效信息成为急需克服的一大难题。因此,推荐系统技术应运而生,成为解决这一问题的有效手段。协同过滤算法由于对推荐内容及推荐对象的无限制性及用户干扰性较小、技术易于实现等优点成为推荐系统中目前使用范围最广泛的算法之一。传统的基于用户的协同过滤算法,存在寻找用户近邻耗时大,近邻用户质量低,对用户的个体差异需求分析欠缺等问题。本文主要围绕如何优化基于用户的协同过滤算法的推荐效果进行研究的。通过对目标用户进行社区划分,完善近邻用户集合的寻找方法,改进用户的相似度公式和修正项目预测分数等获得优质的推荐结果。论文研究的主要工作为:(1)用户集合社区划分。通过模糊聚类算法对用户的属性信息进行社区划分,确定各社区的核心用户及簇心,锁定近邻用户搜索范围,以缓解原算法需要遍历所有用户的复杂度问题。(2)改进皮尔逊相似度公式。通过增加用户之间交互信息这一因素,重新定义用户之间的相似性,在原本只考虑了用户间“质”的相似的基础上增加了对“量”的考查,将原本基于用户评分行为记录的相似性度量方式扩展为对用户属性及历史行为的综合考量,为基于用户的推荐增加了推荐准确性及可解释性。(3)定义用户执行度和项目流行度。用于修正初始推荐列表中项目的分数,进行列表重排序,缓解推荐结果的局限性,满足在用户共性喜好基础上的具有差异的个性化需求。(4)改进推荐算法。在上述工作的基础上,对传统的基于用户的协同过滤推荐算法进行改进,提出了一个改进的推荐算法(MUCF-R算法),实验结果表明,MUCF-R推荐算法在推荐解释性及推荐准确率方面均有所提高,是一个有效的推荐算法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/56227.html
