收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于相关度和关联属性偏好的个性化推荐算法研究

刘继庆  
【摘要】:互联网发展已产生大量的可用的信息并且让消费者有诸多选择。个性化推荐系统的帮助用户从大量信息中挑选感兴趣的信息。利用用户对资源的评价来计算用户之间的相似性,然后利用相似用户对资源的评价来预测当前用户对资源的喜好程度。在现实生活中,人们经常会根据身边的人的推荐选择商品或电影。基于这一思想,协同过滤被用于网络信息服务中,利用有相似爱好的邻居对某一项的评价对目标作推荐。目前协同过滤算法已广泛应用在书籍、电影、音乐等各种网上推荐系统。Group lens、Ringo Amazon等用的都是此类推荐。 本文先利用基于协同的方法,从评分的角度做了两点改进。首先,随着用户数量增多,传统推荐算法复杂度变大,推荐实时性受到严重影响。因此我们采用云模型思想,先找出与目标用户云特征相似用户,减少了邻居的搜索范围,提高了推荐效率。其次,传统算法中,评分数据的稀疏,共同评分项数目的稀少使用户间相似性计算缺乏可信性。针对此问题,提出相关度的概念,在找邻居之前,先找到与目标有一定数量的共同评分项的用户,再次缩小了搜索范围。从而保证了用户间一定的相关性,使求得的用户间相似性具备更高的可信性。实验结果表明,该方法不仅提高了推荐效率,同时具有较高的推荐精度。 其次,利用基于内容的方法,从用户偏好角度对传统方法做了两点改进。首先,传统方法定性的分析用户偏好。对此,我们做了改进,将用户评价过的电影按评分更具体的分类,作为用户的偏好模型。根据待测项属性利用贝叶斯概率计算其在各类的隶属,结合各类对应评分,定量的分析用户对项目的偏好。其次,传统方法将项目属性做独立研究,分析用户是否喜欢该属性,而现实中人对项目属性的喜爱存在一定关联性,如用户喜欢同时具有科幻和爱情属性的电影。基于此我们研究了用户对两属性的偏好,以此预测关联属性偏好(AP)评分。考虑影响用户评分的多因素性,单纯依靠偏好较难准确预测真实评分。我们同时考虑了共众评分的影响,将关AP评分和公众评分加权预测最终评分。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 聂晶;;基于用户兴趣实时更新评价信息的远程教学资源智能推荐系统[J];中国科教创新导刊;2009年14期
2 邵华;高凤荣;邢春晓;蒋丽华;;基于VSM的分层网页推荐算法[J];计算机科学;2006年11期
3 苏一丹;王育才;顾新一;;基于独特型人工免疫网络的并行推荐算法的研究[J];计算机应用;2008年05期
4 李聪;梁昌勇;董珂;;基于项目类别相似性的协同过滤推荐算法[J];合肥工业大学学报(自然科学版);2008年03期
5 杨艳;;数字图书馆中兴趣度推荐算法[J];哈尔滨工程大学学报;2009年06期
6 熊忠阳;张凤娟;张玉芳;;基于粒子群优化的项聚类推荐算法[J];计算机工程;2009年23期
7 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期
8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期
9 赵智;时兵;;改进的个性化推荐算法[J];长春大学学报;2005年06期
10 李涛;王建东;叶飞跃;冯新宇;张有东;;一种基于用户聚类的协同过滤推荐算法[J];系统工程与电子技术;2007年07期
11 连瑞梅;;电子商务中Web页面个性化推荐系统的架构[J];中国管理信息化(综合版);2007年09期
12 高滢;齐红;刘杰;刘大有;;结合似然关系模型和用户等级的协同过滤推荐算法[J];计算机研究与发展;2008年09期
13 李慧;李存华;王霞;;一种新颖的个性化视频搜索排名算法[J];南京师范大学学报(工程技术版);2008年04期
14 李聪;梁昌勇;;基于属性值偏好矩阵的协同过滤推荐算法[J];情报学报;2008年06期
15 张晓云;李慧;王霞;;基于视觉信息的个性化图像搜索排名技术[J];黑龙江科技信息;2009年31期
16 赵娟;;个性化的自主学习模型研究[J];计算机教育;2010年05期
17 路璐;;基于aiNET人工免疫网络的推荐算法[J];电脑编程技巧与维护;2010年24期
18 李聪;梁昌勇;杨善林;;电子商务协同过滤稀疏性研究:一个分类视角[J];管理工程学报;2011年01期
19 张付志;常俊风;王栋;;基于Widrow-Hoff神经网络的多指标推荐算法[J];模式识别与人工智能;2011年02期
20 嵇晓声;刘宴兵;罗来明;;协同过滤中基于用户兴趣度的相似性度量方法[J];计算机应用;2010年10期
中国重要会议论文全文数据库 前10条
1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集(技术报告篇)[C];2007年
2 梁莘燊;刘莹;;基于效能的学术资源推荐算法研究[A];第六届(2011)中国管理学年会——信息管理分会场论文集[C];2011年
3 高凤荣;杜小勇;王珊;;数字图书馆环境下一种基于语义分类的个性化推荐算法[A];第二十届全国数据库学术会议论文集(研究报告篇)[C];2003年
4 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文(摘要)汇集[C];2009年
5 陶红亮;王明文;曹瑛;;基于项目平滑和聚类的协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集(技术报告篇)[C];2006年
6 汤显;周军锋;郭景峰;;一种面向Web站点的个性化推荐算法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
7 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集(研究报告篇)[C];2004年
8 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年
9 高旻;吴中福;;基于个性化情境和项目的协同推荐研究[A];2009年中国智能自动化会议论文集(第五分册)[东南大学学报(增刊)][C];2009年
10 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集(B辑)[C];2009年
中国博士学位论文全文数据库 前10条
1 刘淇;基于用户兴趣建模的推荐方法及应用研究[D];中国科学技术大学;2013年
2 董振华;群落标签推荐系统体系结构及关键问题研究[D];南开大学;2012年
3 贾春晓;基于复杂网络的推荐算法和合作行为研究[D];中国科学技术大学;2011年
4 王晓芳;社会化标注系统中群组推荐方法研究[D];山东大学;2014年
5 刘青文;基于协同过滤的推荐算法研究[D];中国科学技术大学;2013年
6 廉捷;基于用户特征的社交网络数据挖掘研究[D];北京交通大学;2014年
7 崔昊旻;海量视频节目的检索、推荐与反馈学习[D];中国科学技术大学;2014年
8 刘凯鹏;社会性标注关键技术及其在信息检索中的应用研究[D];哈尔滨工业大学;2010年
9 王龙;教育资源推荐服务中若干关键技术的研究[D];吉林大学;2013年
10 唐磊;基于内容和用户历史的音乐可视分析[D];山东大学;2012年
中国硕士学位论文全文数据库 前10条
1 代沁;电子商务中基于消费心理的个性化推荐方法研究[D];沈阳航空工业学院;2010年
2 封素石;分布式协同过滤推荐算法研究[D];燕山大学;2010年
3 何克勤;基于标签的推荐系统模型及算法研究[D];华东师范大学;2011年
4 李有超;基于项目属性与偏爱比较的协同过滤推荐算法研究[D];燕山大学;2010年
5 袁先虎;基于混合用户模型的协同过滤推荐算法研究[D];重庆大学;2010年
6 刘亭;隐私保持协同过滤推荐算法研究[D];燕山大学;2010年
7 胡航博;上下文相关的查询推荐算法研究[D];河南大学;2010年
8 王小亮;基于协同过滤的个性化推荐算法的优化和应用[D];浙江工商大学;2010年
9 王若松;基于合著网络的论文混合推荐算法研究[D];哈尔滨工程大学;2013年
10 徐华华;社会网络中的微博用户推荐算法研究[D];华中科技大学;2013年
中国重要报纸全文数据库 前3条
1 记者 王夕;网络也会“读心术”[N];北京科技报;2011年
2 记者 向阳;软件测试关键技术研究有望降低测试成本[N];科技日报;2009年
3 本报记者 雷彬;百度推出移动开放平台 优化服务提升用户体验[N];通信信息报;2011年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978