基于Item-CF算法在推荐系统中多样性的研究与应用

发布时间：2023-06-05 01:46

　　随着移动互联网的日益高速崛起以及在信息时代与人们日常生活质量越来越紧密的情况下,造成移动端和PC端信息数据成指数增长。每个用户由于职业、所处地域、习惯、爱好、性别的不同,所需要的有用信息是多种多样的,并且在海量信息中所占的比例非常小,仅仅占据其中的小部分。通过有限的时间在信息过载的网络中来找到对用户有价值的数据信息是非常有必要、有意义的。为了解决信息量大而导致有价值的信息被淹没的问题,推荐算法和搜索引擎是解决用户信息过载问题的关键方式。搜索引擎根据用户输入的参数,在系统后台中对数据进行过滤、处理、匹配,再将数据信息返回给前端给用户展示,使用搜索引擎查找信息的时候,有两个缺点,第一个就是,需要用户主动输入数据,否则大多都是广告或者垃圾信息,第二个就是,用户输入的数据不准确或者无法提供相关的关键字,则这种情况下也无法提供用户有用的信息,造成用户非常差的体验感以及无法提高用户粘度。与搜索引擎相比,推荐算法不需要用户输入明确的数据,只需要根据用户之前的历史痕迹,如:搜索记录、点击浏览、加入购物车、下单支付、评价等主动给客户展示有用的信息。经过长期的信息化发展,推荐算法已广泛使用于我们生活的方方...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 推荐算法在国内外的现状
    1.3 本文主体内容的研究
    1.4 本文主体论文结构
第2章 推荐算法技术分析与挑战
    2.1 推荐系统的介绍与分类
    2.2 基于用户行为分析和用户数据归一化
    2.3 基于用户的协同过滤算法(User-Based CF)
    2.4 基于商品的协同过滤(Item-Based CF)
    2.5 隐语义模型(Latent Factor Model)
    2.6 基于内容推荐
    2.7 组合推荐
    2.8 当前推荐算法的问题与挑战
    2.9 本章小结
第3章 Item-CF在个性化与多样化的改进
    3.1 Item-CF在个性化上的改进
    3.2 Item-CF在多样化上的改进
    3.3 Item-CF改进后在性能指标上的测评
    3.4 本章小结
第4章 实验设计与结果分析
    4.1 实验环境
    4.2 实验数据收集与处理
    4.3 Item-CF改进前后的性能比较
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
个人简介



本文编号：3831439