检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

189 篇 学位论文
149 篇 期刊文献
5 篇 会议

馆藏范围

343 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

322 篇 工学
- 300 篇 计算机科学与技术...
- 260 篇 软件工程
- 29 篇 控制科学与工程
- 11 篇 仪器科学与技术
- 5 篇 机械工程
- 3 篇 电子科学与技术（可...
- 2 篇 测绘科学与技术
- 2 篇 公安技术
- 2 篇 网络空间安全
- 1 篇 材料科学与工程（可...
- 1 篇 信息与通信工程
- 1 篇 地质资源与地质工...
- 1 篇 纺织科学与工程
- 1 篇 环境科学与工程（可...
- 1 篇 生物医学工程（可授...
- 1 篇 食品科学与工程（可...
63 篇 管理学
- 57 篇 管理科学与工程(可...
- 5 篇 图书情报与档案管...
9 篇 理学
- 4 篇 数学
- 2 篇 系统科学
- 2 篇 统计学（可授理学、...
- 1 篇 地理学
- 1 篇 大气科学
- 1 篇 生态学
4 篇 艺术学
- 2 篇 音乐与舞蹈学
3 篇 经济学
- 2 篇 应用经济学
- 1 篇 理论经济学
2 篇 法学
- 1 篇 社会学
- 1 篇 公安学
2 篇 医学
1 篇 教育学
- 1 篇 教育学
1 篇 军事学

主题

343 篇 数据稀疏性
184 篇 协同过滤
97 篇 推荐系统
34 篇 冷启动
27 篇 推荐算法
18 篇 个性化推荐
16 篇 相似度
15 篇 矩阵分解
14 篇 协同过滤算法
14 篇 深度学习
13 篇 社交网络
12 篇 聚类
9 篇 知识图谱
9 篇 协同过滤推荐算法
9 篇 用户偏好
9 篇 可扩展性
8 篇 注意力机制
8 篇 相似度计算
8 篇 电子商务
8 篇 k-means聚类

机构

17 篇 重庆邮电大学
10 篇 桂林电子科技大学
9 篇 北京邮电大学
9 篇 浙江大学
9 篇 合肥工业大学
8 篇 广东工业大学
7 篇 中国科学院大学
7 篇 重庆大学
5 篇 华中科技大学
5 篇 上海理工大学
5 篇 电子科技大学
5 篇 华南理工大学
4 篇 天津大学
4 篇 浙江工商大学
4 篇 上海交通大学
4 篇 浙江工业大学
4 篇 武汉大学
4 篇 东华大学
4 篇 江苏科技大学
4 篇 中国科学技术大学

作者

4 篇 刘建勋
3 篇 陈德人
3 篇 王巧
3 篇 胡蓉
3 篇 唐明董
3 篇 张佳
3 篇 林耀进
3 篇 张娟娟
3 篇 刘旭东
3 篇 zhang jia
3 篇 毛宜钰
3 篇 李寒芳
2 篇 王建芳
2 篇 zhao wentao
2 篇 高强
2 篇 林建辉
2 篇 林梦雷
2 篇 刘杰
2 篇 chen deren
2 篇 李伟霖

语言

341 篇 中文
2 篇 英文

检索条件"主题词=数据稀疏性"

共 343 条记录，以下是241-250 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于协同过滤的个性化推荐算法研究

基于协同过滤的个性化推荐算法研究

引用

作者：赵维浙江工业大学

学位级别：硕士

在网民覆盖率日益攀高的今天，互联网俨然成为了一个大型的信息交互平台，人们每天都在互联网上不断地创造和分享信息，随之而来的“信息过载”问题也越来越严重：如何从纷繁复杂的信息中找到感兴趣的信息？人们熟知的搜索引擎如Baidu、... 详细信息

在网民覆盖率日益攀高的今天，互联网俨然成为了一个大型的信息交互平台，人们每天都在互联网上不断地创造和分享信息，随之而来的“信息过载”问题也越来越严重：如何从纷繁复杂的信息中找到感兴趣的信息？人们熟知的搜索引擎如Baidu、Google等对于用户主动且明确的需求给予了很好的支持，然而很多时候用户的需求是模糊和被动的，此时的搜索引擎不再能满足人们的需求。个性化推荐系统在对用户历史行为数据进行分析的基础上，利用相关推荐技术对用户的需求和兴趣进行挖掘、对信息进行过滤和筛选，最后产生推荐。在用户需求是模糊和被动的情况下个性化推荐系统的作用显得更加有效。\n 推荐算法是个性化推荐系统的核心，随着大数据时代的来临，如何有效利用数据来改进推荐算法性能已经成为一个重要的研究领域。到目前为止，主流的推荐方法主要有基于协同过滤的推荐方法、基于内容的推荐方法和基于知识的推荐方法等，其中基于协同过滤的推荐方法是最为行之有效的，并大量应用于电子商务网站之中。尽管如此，和许多推荐方法一样，基于协同过滤的推荐方法依然面临着数据稀疏性问题、冷启动问题等亟待解决的问题。鉴于此，本文作了相关研究和分析，改进了协同过滤算法性能，并从一定程度上缓解了数据稀疏性问题，其主要工作内容和创新点如下：\n 1.研究和分析了现有的主流推荐算法，指出了各自的优势和不足，为后面算法的改进提供了理论基础。\n 2.对基于用户邻域的推荐算法进行研究，通过改变不同用户群体的权重因子、利用时间上下文信息和“惩罚”热门物品等方法改进了相似度模型以改进算法，并采用最小二乘法对算法进行融合。实验结果表明，和传统的利用皮尔森相似度的基于用户邻域的算法相比，改进和融合后的算法推荐精度有所提高。\n 3.对基于矩阵奇异值分解的推荐算法进行研究，通过利用时间上下文信息和引入相似度信息等方法对算法进行改进，并采用最小二乘法对算法进行融合。实验结果表明，改进和融合后的算法和传统的基于矩阵奇异值分解的方法相比算法精度有所提高。\n 4.针对数据稀疏性问题，通过把用户信任度引入基于随机游走的PersonalRank算法来改进算法。实验结果表明，和基于随机游走的PersonalRank算法相比，改进后的算法在有效缓解数据稀疏性问题的同时提高算法精度和算法稳定性。

关键词：协同过滤个性化推荐算法数据稀疏性奇异值分解

来源：评论

学校读者我要写书评

暂无评论

基于矩阵填充与图嵌入表示的个性化推荐算法研究

基于矩阵填充与图嵌入表示的个性化推荐算法研究

引用

作者：陈垠芬江西师范大学

学位级别：硕士

个性化推荐可以根据用户兴趣爱好来提供用户可能感兴趣的内容,是解决信息过载问题的关键技术。个性化推荐系统中,协同过滤是一种重要的推荐策略。协同过滤算法根据用户-项目评分矩阵计算用户/项目相似度,将相似度高的用户/项目作为目标... 详细信息

个性化推荐可以根据用户兴趣爱好来提供用户可能感兴趣的内容,是解决信息过载问题的关键技术。个性化推荐系统中,协同过滤是一种重要的推荐策略。协同过滤算法根据用户-项目评分矩阵计算用户/项目相似度,将相似度高的用户/项目作为目标用户/项目的近邻,然后根据近邻的评分内容将某些目标用户未评分过的项目推荐给目标用户。由于协同过滤过于依赖用户-项目评分矩阵,而在现实生活中,大多数的推荐系统中的用户仅仅只对少量的项目进行评价,并且大多数项目也仅仅被少量用户评价,这就导致用户-项目评分矩阵具有很大的稀疏性,从而很难得到较高的推荐质量。另外,当新的用户进入系统时,由于没有评分记录,协同过滤算法就不能根据其评分分值进行推荐,这就是冷启动问题。因此,冷启动情况下,推荐系统要如何给新用户推荐就成为待解决问题。本文针对协同过滤算法中评分矩阵稀疏性问题,提出使用LMaFit算法对评分矩阵进行填充,降低矩阵的稀疏度,缓解了数据稀疏性问题;同时根据用户属性(年龄、性别、职业)和评分记录融合加权,计算用户相似度,使得推荐系统可依据用户相似度向新用户推荐,从而缓和了冷启动现象;以上述研究为基础,利用k-means++算法对用户聚类,寻找目标用户的近邻,预测出用户评分。基于数据Movielens-100k的实验表明,本文提出的方法在MAE和RMSE两个指标上均有不错的结果。为了学习到用户和项目深层次的嵌入表示,更加了解用户和项目间非线性结构特征,本文在传统的协同过滤算法基础上引入了图嵌入表示,基于DNGR模型学习到用户和项目的图嵌入表示,并计算用户特征、项目特征的相关度。该方法在Movielens-100k数据集上的实验表明推荐精度要高于传统的协同过滤算法。

关键词：个性化推荐协同过滤数据稀疏性图嵌入

来源：评论

学校读者我要写书评

暂无评论

基于混合方法的电子商务推荐系统的研究与应用

基于混合方法的电子商务推荐系统的研究与应用

引用

作者：顾牡丹广东工业大学

学位级别：硕士

随着互联网的普及和电子商务的快速发展,电子商务系统提供更多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己所需商品。电子商务推荐系统解决了“信息迷航”和“信息过载”问题,实现了直接... 详细信息

随着互联网的普及和电子商务的快速发展,电子商务系统提供更多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己所需商品。电子商务推荐系统解决了“信息迷航”和“信息过载”问题,实现了直接与用户交互,帮助用户快速找到他们真正所需购买的商品。电子商务推荐系统能有效保留用户、防止客户流失,提高电子商务系统的销售量。但当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在推荐质量不高、推荐实时性差、数据稀疏性、冷启动等问题。　　针对电子商务推荐系统面临的主要挑战,本文通过文献综述分析了当前国内外电子商务推荐系统研究现状,归纳了主要推荐技术的优缺点。在原有的组合推荐系统基础上,推出一种基于内容过滤、协同过滤和Web数据挖掘的混合方法推荐系统,以协同过滤为主,内容过滤为辅,利用内容过滤来弥补协同过滤的缺点,解决数据的稀疏性问题和扩展性问题,同时结合基于Web数据挖掘的推荐技术综合应用,通过浏览器的方式进行用户评分数据收集与推荐结果显示,解决非注册用户的行为模式,有效提高推荐系统的推荐质量和推荐效率。基于协同过滤产生的数据稀疏性问题,以及冷启动和扩展性问题,恰恰可通过基于内容过滤的推荐方法来进行改善,同时利用Web数据挖掘技术解决大量用户信息,特别是非注册用户的行为模型,三种推荐方法的互补性使得各自的优点均得到发挥。该混合推荐技术充分利用了用户的相关信息,结合用户隐性兴趣和显性兴趣,使得推荐结果更符合用户需求。本文的主要研究工作包括:(1)对当前国内外主流推荐技术进行研究分析,发现普遍存在推荐方法单一、推荐自动化程度低和缺乏个性化推荐等问题。(2)提出基于协同过滤为主,Web挖掘和内容过滤为辅的转换型混合推荐方法,详细介绍了该混合方法模型设计与实现,该方法的优势在于有效的弥补各自算法缺陷,同时充分发挥了各自的优势。(3)以设计基于混合方法的数码电子商务推荐系统实验型网站为实例,并与其他采用传统推荐方法的推荐系统作比较,得出客观有效的测试结果。

关键词：推荐系统电子商务混合推荐协同过滤数据稀疏性数据挖掘

来源：评论

学校读者我要写书评

暂无评论

改进的多准则评分协同过滤推荐算法

改进的多准则评分协同过滤推荐算法

引用

作者：吴书华广东工业大学

学位级别：硕士

互联网技术迅速融入各行各业中，信息资源也得以快速增长，数据从稀缺时代转变到现在的数据爆炸时代。信息量的激增对商家和用户都在一定程度上带来严峻的考验，而个性化推荐系统服务是解决这一现状的有效方法。目前，协同过滤算法是应... 详细信息

互联网技术迅速融入各行各业中，信息资源也得以快速增长，数据从稀缺时代转变到现在的数据爆炸时代。信息量的激增对商家和用户都在一定程度上带来严峻的考验，而个性化推荐系统服务是解决这一现状的有效方法。目前，协同过滤算法是应用最为广泛的推荐算法之一，但是目前的协同过滤算法都存在数据稀疏性问题和可扩展性问题。本文的目的在于利用降维技术和模糊神经技术解决可扩展性问题和缓解评分数据的稀疏性，从而提高多准则评分协同过滤推荐系统的推荐质量和预测精度。\n 通常，大多数的传统推荐系统使用单准则评分来表示一个用户对特定物品的整体喜欢程度，而会忽略用户对物品不同侧面的喜欢程度，未能关注到用户潜在的各种兴趣爱好。而在基于多准则评分的协同过滤推荐算法中，对物品的多个方面进行评分，系统就可以获得更多用户的兴趣爱好，但同时也增加了数据的主观性、不确定性和模糊性，从而提高了整个评分矩阵的数据稀疏性，降低推荐系统的可扩展性。因此，本文根据以上多准则评分协同过滤存在的相关问题，采用一种使用高阶奇异值分解（High Order Singular Value Decomposition, HOSVD）和自适应模糊神经推理系统(Adaptive Fuzzy Neural Inference System, ANFIS)来解决多维数据带来的推荐系统可扩展性问题和缓解评分矩阵的稀疏性问题。首先，使用高阶奇异值分解（HOSVD）方法把高维数据转换为多个低维数据；然后，在较低维的数据上分别对用户间和物品间进行聚类，获得类标签；最后，使用基于减法聚类的自适应模糊神经推理系统（ANFIS）从实验数据中抽取模糊规则以表示和推理用户在物品各个方面上的行为特征。高阶奇异值分解（HOSVD）和自适应模糊神经推理系统(ANFIS)合理的有机融合，充分利用了高阶奇异值分解（HOSVD）高效处理高维度数据的功能，也避免了模糊推理系统的设计要依赖于人类专家经验。通过利用上述两种技术和多准则评分协同过滤算法结合，可以显著地提高算法的准确率，也一定程度上缓解了协同过滤推荐系统的稀疏性问题和扩展性问题。\n 本文采用的方法在猫途鹰酒店数据集进行实验，并与几个基于多准则评分推荐方法比较，实验结果表明：与之前基于多准则评分推荐算法比较，使用高阶奇异值分解（HOSVD）和自适应模糊神经推理系统(ANFIS)的多准则评分协同过滤推荐算法（简称 HASK）显著地提高了推荐的质量和预测的精确性，从而能为用户提供更人性化的推荐。

关键词：多准则评分协同过滤推荐算法数据稀疏性个性化

来源：评论

学校读者我要写书评

暂无评论

基于XML模糊数据的协同过滤算法研究

基于XML模糊数据的协同过滤算法研究

引用

作者：董美华沈阳工业大学

学位级别：硕士

随着信息技术的快速发展,人们对个人信息的要求也越来越高,为了提高信息的质量,需要一个定制的推荐系统,该系统通过分析用户的偏好,帮助用户快速搜索最适合的商品,其中协同过滤技术是推荐系统领域最成功的技术。尽管已经证明协同过滤算... 详细信息

随着信息技术的快速发展,人们对个人信息的要求也越来越高,为了提高信息的质量,需要一个定制的推荐系统,该系统通过分析用户的偏好,帮助用户快速搜索最适合的商品,其中协同过滤技术是推荐系统领域最成功的技术。尽管已经证明协同过滤算法成功且被广泛接受,也存在准确性较低、数据稀疏性和新项目冷启动等问题。本文分析了传统协同过滤推荐算法的局限性,提出了一种基于XML模糊数据的协同过滤推荐算法。针对协同过滤算法中的评分数据稀疏性问题,以“用户对项目的偏好分解为对项目中每个属性特征评分之和”为出发点,通过逻辑回归模型填充稀疏评分矩阵中的缺失值,并且基于填充后的评分矩阵计算项目间的协同相似度。将模糊数据的处理与协同过滤推荐结合,基于可能性理论以及相似性理论对项目存在的模糊属性特征进行处理与建模,通过XML的良好结构挖掘项目模糊属性特征之间的相似度,提高推荐系统的推荐准确度。针对新项目冷启动问题,将项目模糊属性相似度与基于填充后的评分矩阵计算得到的项目协同相似度加权结合得到综合的相似关系,通过综合相似关系推荐。采用MovieLens数据集,对改进算法进行评估与分析。实验结果表明,在相同的实验条件下,改进算法对项目模糊属性特征之间相似度的计算及对稀疏评分矩阵的填充使近邻项目的计算更加准确,准确率和平均绝对误差值优于对比算法的相应值。基于XML与模糊数据处理的协同过滤推荐算法,提高了推荐系统的准确度,同时也有效解决了推荐系统的数据稀疏性以及新项目冷启动问题。

关键词：协同过滤 XML 项目模糊数据处理冷启动数据稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于多目标排序与知识图谱增强的推荐算法研究与应用

基于多目标排序与知识图谱增强的推荐算法研究与应用

引用

作者：张衿铭华东师范大学

学位级别：硕士

随着互联网的快速发展以及数据规模的日益增长,借助多任务学习同时对关心的多个目标进行建模和预测的多目标推荐正逐渐成为主流。在不显著增加模型参数量的前提下,多目标排序模型相较于传统的单目标模型能更加全面地考虑用户需求和物品... 详细信息

随着互联网的快速发展以及数据规模的日益增长,借助多任务学习同时对关心的多个目标进行建模和预测的多目标推荐正逐渐成为主流。在不显著增加模型参数量的前提下,多目标排序模型相较于传统的单目标模型能更加全面地考虑用户需求和物品属性,提供更好的推荐体验和商业价值。与此同时,随着图数据的逐渐普及以及图技术的推广应用,知识图谱作为一类包含大量异构特征的信息来源也已被应用于推荐模型的搭建与学习中。已有的研究已表明,将知识图谱作为侧信息引入召回模型,可以一定程度上提高原有模型的预测精度,并显著地缓解数据稀疏性造成的影响。为了能够将知识图谱融入进多目标排序模型,本文主要阐述了多任务学习和基于知识图谱的推荐模型的相关技术原理,着重对基于知识图谱嵌入的推荐算法进行了讨论,并针对已有模型在知识图谱语义特征提取与其他关联信息挖掘上的缺点与不足,结合多目标排序场景特点,提出并实现了一种基于知识图谱增强的多目标排序模型KEMOR(Knowledge graph Enhanced Muti-Objective Ranking)。该模型由三个部分组成,左侧多目标排序模块选用PLE模型作为子模型,负责利用其底层共享表示进行多个目标的学习。右侧知识图谱嵌入模块利用Ripple Net和KGCN两个模型中的涟漪传播和邻域聚合机制,分别对知识图谱中的用户实体和物品实体进行高阶特征提取,借助预测交互概率的辅助任务完成实体节点的嵌入表示。两者低层表示通过中间的交叉压缩单元进行连接,并将知识图谱侧高层所提取到的用户层次兴趣表示和物品高阶聚合表示拼接至多目标排序侧的共享表示中,有效提升了共享表示的完整度,从而实现了知识图谱增强的效果。本文在两个适用于多目标排序的现实世界数据集Ali-CCP和Trade-Up上构造融合知识图谱并进行了一系列对比实验。实验结果表明借助本文所提出的模型将知识图谱作为侧信息引入多目标排序模型的共享表示,能有效增强其推荐性能,对于Ali-CCP测试集中CTR与CTCVR两个目标下的AUC值,有1.7%和2.2%的提升;在Trade-Up中有3.5%和1.7%的提升。模拟不同稀疏性场景的实验结果表明,知识图谱侧信息的融入能够较好地缓解数据稀疏性问题。针对负迁移问题的实验结果表明,KEMOR中通过交叉压缩单元融入的共享表示与直接拼接的高层表示均能改善负迁移现象,对所有目标产生正向增益。

关键词：多任务学习多目标排序知识图谱增强 KEMOR PLE RippleNet KGCN 共享表示数据稀疏性负迁移

来源：评论

学校读者我要写书评

暂无评论

基于组合算法的电子商务推荐系统的研究

基于组合算法的电子商务推荐系统的研究

引用

作者：杨亚楠西安工业大学

学位级别：硕士

互联网的兴起和发展,而后又带动了电子商务的飞速发展。电子商务将大量的数据带到了我们的面前。面对这些数据,用户却无法从中快速的获取有效的信息,这就形成了信息超载的问题。搜索引擎在解决这个问题上取得了一定的成功,例如美国的谷... 详细信息

互联网的兴起和发展,而后又带动了电子商务的飞速发展。电子商务将大量的数据带到了我们的面前。面对这些数据,用户却无法从中快速的获取有效的信息,这就形成了信息超载的问题。搜索引擎在解决这个问题上取得了一定的成功,例如美国的谷歌和国内的百度都是搜索引擎,当用户在搜索引擎中输入关键词时,搜索引擎就会在数据库中寻找用户可能需要的信息。然而,互联网的数据浩瀚如海,并非每一个用户都能够明确的知道自己的需求。相比之下,推荐系统则能更好的解决信息超载的问题,也显得更加的智能和主动。推荐系统不需要用户输入关键词,就能够在海量的数据信息中进行快速的搜索。另一方面,它会将用户可能感兴趣的信息主动呈现给用户,也会根据不同用户的不同兴趣为用户提供个性化推荐服务。因此,在很多领域中,都能够看到推荐系统熟悉的身影。尤其在电子商务网站中有越来越好的发展前景。推荐算法有多种,但目前主流的并且使用率最高的三个推荐算法分别是基于内容、基于协同过滤和基于关联规则的。其中,使用人数最多、市场占有率最高的推荐算法是第二种算法。然而随着互联网的快速发展,网站中用户数量和产品数量也在迅速的增长,基于协同过滤的推荐算法其也暴露出来越来越多亟待解决的问题。其中,最受关注的问题是数据稀疏性和冷启动。如何解决这些问题一直是研究者们的难题,为了使基于协同过滤的推荐算法有更加良好的推荐效果,本论文提出了利用组合算法来弥补这些缺陷。另外,当电子商务推荐系统中积累了很多数据时,单机处理这些数据受到了一定的影响,从而也会对推荐的准确度和效率产生影响。因此,对这些数据采用分布式处理,使用Hadoop技术实现推荐系统中大量数据的计算,提高计算的效率,将更加准确的商品推荐给用户,使用户越来越依赖电子商务推荐系统,也使得电子商务网站获得经济效益。本论文主要研究了以下几个方面:1)对几种常见的推荐算法做了详细的介绍,并描述了各种算法的思想和实现步骤,同时了解了各种推荐算法的缺点,尤其是协同过滤推荐系统的不足。2)使用组合算法来解决数据稀疏性和冷启动的问题。根据不同的条件,选用不同的推荐算法。3)使用Hadoop中的MapReduce框架实现推荐系统海量数据的分布式计算,使推荐系统有更好的性能。

关键词：协同过滤关联规则数据稀疏性冷启动 Hadoop 组合推荐

来源：评论

学校读者我要写书评

暂无评论

基于用户评论和评分的协同过滤算法研究

基于用户评论和评分的协同过滤算法研究

引用

作者：董晨露北京交通大学

学位级别：硕士

近年来,协同过滤算法在推荐领域受到了广泛的关注及应用。传统协同过滤算法利用用户评分进行推荐,然而随着用户和商品数量的不断增加,评分数据的稀疏问题成为了制约传统协同过滤算法推荐效果的重要因素。现有的协同过滤算法中,将评论挖... 详细信息

近年来,协同过滤算法在推荐领域受到了广泛的关注及应用。传统协同过滤算法利用用户评分进行推荐,然而随着用户和商品数量的不断增加,评分数据的稀疏问题成为了制约传统协同过滤算法推荐效果的重要因素。现有的协同过滤算法中,将评论挖掘与协同过滤相融合的方法是缓解该问题的重要途径之一,其中使用主题模型进行评论挖掘的协同过滤算法由于能够发挥主题模型的数理统计特性和灵活的拓展性等优势而逐渐备受关注。但现有的这类算法没有充分考虑到用户评论的短文本特性与情感特性,利用主题模型得到的主题概率分布的准确性难以得到保证,成为了制约其推荐效果的重要因素。对评分矩阵进行预填充的方法也是现有的协同过滤算法中缓解数据稀疏问题的重要途径之一,但现有的算法在填充方法的合理性、适用性、准确性等方面均存在着不同程度的局限,难以有效提升推荐质量。为了缓解数据稀疏问题对现有的协同过滤算法推荐效果的影响,本文从评论挖掘和评分矩阵填充两个方面出发,提出一种基于用户评论和评分的协同过滤算法。首先,针对现有的协同过滤算法利用主题模型进行评论挖掘的局限性,提出在协同过滤算法中使用主题情感混合模型进行评论挖掘的方法,并利用评论挖掘获取到的用户情感-主题分布对现有的协同过滤算法的相似度计算方法进行了改进,有利于获取更加精确的相似度,提升推荐质量。其次,针对现有的协同过滤算法在评分矩阵填充方面的局限性,提出一种利用用户情感-主题分布与用户交互数据对评分矩阵进行填充的方法。其中用户交互数据是近几年随着电子商务网站的发展而诞生的新型数据,能够从一定程度上反映用户群体的意见,是非常有价值的数据资源。最后,本文根据算法的数据需求使用Python语言进行爬虫开发并爬取了京东网站上的商品数据,通过实验确定了相关参数的配置,并将本文提出的算法与现有的几种算法进行对比分析,实验证明本文算法可以有效提升推荐质量。本文的研究内容在现有研究的基础上进一步充实了个性化推荐的理论,为协同过滤推荐算法的研究提供了理论支持与科学依据。

关键词：协同过滤数据稀疏性主题情感混合模型用户交互数据用户相似度

来源：评论

学校读者我要写书评

暂无评论

基于项目聚类和用户兴趣的个性化推荐系统研究

基于项目聚类和用户兴趣的个性化推荐系统研究

引用

作者：崔泽峰燕山大学

学位级别：硕士

随着互联网的快速发展和电子商务的不断普及，网络上的信息以及其他资源的规模也得到快速增长。然而，海量的信息对用户查找有用信息造成严重影响。为解决这个问题，个性化推荐系统被研究出来。推荐系统规模的膨胀使得用户数量和物品的... 详细信息

随着互联网的快速发展和电子商务的不断普及，网络上的信息以及其他资源的规模也得到快速增长。然而，海量的信息对用户查找有用信息造成严重影响。为解决这个问题，个性化推荐系统被研究出来。推荐系统规模的膨胀使得用户数量和物品的数量越来越大，推荐系统面临着严重的数据稀疏性问题，从而导致推荐系统的推荐质量严重下降。本文综合分析了目前国内外研究的现状，针对推荐系统中的稀疏性问题和用户兴趣随时间变化的问题进行深入地研究。首先，提出一种基于项目聚类的评分矩阵预填充方法。通过聚类技术将评分相似和属性相似的项目聚集起来，形成若干个项目组，在每个组内部，借助项目间的隐式关联关系和项目属性在项目间建立联系，从而满足同一组内元素拥有评分相似和属性相似这种结构特性。在构造好的项目分组内计算项目之间的相似度，选择n个相似度较高的项目作为目标项目的最近邻居，对未评分项目进行预测评分并对矩阵进行填充。然后，提出一种基于用户兴趣变化的个性化推荐算法。由于用户的兴趣会随着时间的推移而变化，我们可以假设用户最近的评分更能体现用户的兴趣，并且评分时间越接近的用户相似度越高。因此，在计算相似度的过程中可以根据时间效用函数对不同的评分分配不同的效用值，提高相似邻居的准确性，从而提高推荐结果的准确度。最后，对本文提出的算法和现有的算法在不同稀疏度的数据集下进行了实验，并对结果进行对比和分析。

关键词：推荐算法数据稀疏性项目聚类用户兴趣变化

来源：评论

学校读者我要写书评

暂无评论

基于协同过滤的推荐算法研究及应用

基于协同过滤的推荐算法研究及应用

引用

作者：周宇红重庆邮电大学

学位级别：硕士

信息是互联网资源不可或缺的一部分。随着互联网信息的爆炸式增长和信息种类纷繁复杂的变化,让用户从中选择出对自己真正有意义的信息也变得越来越困难。为了提高用户在网站中体验的满意度,以及提升网站的经济效益和平台用户的留存率,... 详细信息

信息是互联网资源不可或缺的一部分。随着互联网信息的爆炸式增长和信息种类纷繁复杂的变化,让用户从中选择出对自己真正有意义的信息也变得越来越困难。为了提高用户在网站中体验的满意度,以及提升网站的经济效益和平台用户的留存率,个性化推荐系统作为解决信息超载问题的工具和技术方法随之诞生。不同于其他经典的信息系统的工具和技术(如搜索引擎),推荐系统采用的是积极主动的“推送”方式,将相关信息呈现在对其真正感兴趣的用户面前,而不需要用户提供明确的需求。目前,推荐系统被大量应用于新闻、影视、电商等在线平台,但同时也存在着诸如数据稀疏问题、冷启动问题等。论文通过对当前推荐技术的深入分析,并在前人大量的研究工作基础之上,针对传统的推荐方法主要考虑用户-物品的评分信息,忽略了项目间的偏好影响力导致推荐质量不佳的问题,提出了一种基于偏好关系隐含相似度协同过滤推荐方法。首先,根据用户属性特征计算用户兴趣距离,利用k-medoids算法划分用户组。其次,比较项目在不同用户组中的偏好程度,形式化定义了项目间基于偏好关系的隐含相似度,而后挖掘出项目间偏好影响力并将其引入到概率矩阵分解推荐方法中,以提高推荐系统的整体质量。实验结果表明该算法有效地提升了推荐系统的精度。针对当前协同过滤推荐方法中,因数据稀疏导致相似度计算不准确和冷启动问题,论文通过分析标签信息的可用性,引入物品的标签相似度,与利用评分信息计算的评分相似度进行了融合,给出了一种新的相似度计算方案,并提出了融合标签信息的协同过滤推荐算法。通过新的相似度计算方法选择到了当前物品较为准确的邻居集合,根据历史行为记录预测目标用户对该物品的兴趣偏好,最后生成更加准确的推荐。实验结果表明,该方法有效地利用了物品的附加信息,丰富了相似度计算的数据源,提高了相似度计算的准确度,达到了个性化推荐的要求。在以上理论研究的基础之上,论文在工程方面开发并实现了基于移动平台的主题推荐系统原型——TSRS。分析讨论了该系统整体设计方案、并给出了开发环境以及最终的效果展示。

关键词：推荐系统相似度数据稀疏性协同过滤

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共35页 << < 21 22 23 24 25 26 27 28 29 30 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：