一種基于社交網絡的協(xié)同過濾推薦算法研究.pdf_第1頁
已閱讀1頁,還剩62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、隨著大數(shù)據(jù)時代的到來及互聯(lián)網技術的飛速發(fā)展,互聯(lián)網信息呈現(xiàn)爆炸式的增長,人們在輕易獲取信息的同時卻難以精確的獲取自己感興趣的信息內容,信息過載問題變得日益嚴重,為解決信息過載問題,不少科學家和工程師提出過多種方法,以協(xié)同過濾為代表的個性化推薦技術是解決信息過載的重要技術,并已廣泛應用于多領域。但協(xié)同過濾存在稀疏性問題、可擴展性問題和冷啟動問題等。本文在深入分析國內外推薦算法研究的基礎上,重點對協(xié)同過濾推薦技術進行了研究,設計了兩種算法來

2、解決協(xié)同過濾算法存在的一些問題。
  首先,針對基于用戶的協(xié)同過濾推薦算法,分析算法在相似度計算存在的一些問題,設計了一種在相似度計算中加入用戶共同評分數(shù)調節(jié)因子和項目冷熱門調節(jié)因子的協(xié)同過濾推薦算法即 AD-UBCF(Advance User-based Collaborative Filtering)算法。項目冷熱門調節(jié)因子是針對項目本身屬性的調節(jié),熱門項目讓其在相似度計算中的權重降低,冷門項目讓其在相似度計算中的權重升高。用

3、戶共同評分數(shù)是針對用戶間相似度計算的調節(jié)因子,用戶共同評分越多,調節(jié)因子的值越大,共同評分的值越少,調節(jié)因子的值越小。最后通過實驗驗證了加入這兩個調節(jié)因子能夠有效地提高推薦的準確度。
  其次,由于社交網站的興起,傳統(tǒng)的協(xié)同過濾沒有考慮社交因素對推薦結果的影響,有效的利用社交網絡關系不僅能夠提高推薦質量還能提高用戶體驗,用戶的社交好友關系在一定程度上反映了他們在興趣愛好上的相似,在社交網絡關系中聯(lián)系越緊密的人其興趣相似的概率也越高

4、。本文在傳統(tǒng)基于用戶協(xié)同過濾基礎上,設計了一種在相似度計算中加入用戶重要度融合社交網絡關系的推薦算法即 SC-UBCF(Social User-based Collaborative Filtering)算法,用戶的重要度是根據(jù)用戶的社交關系計算出來的,通過用戶的社交網絡好友信息提高相似度計算的準確性,從而提高推薦質量。
  最后,本文使用百度電影數(shù)據(jù)集設計了三組實驗對算法進行驗證。第一組實驗確定了用戶共同評分數(shù)調節(jié)因子中參數(shù)最佳

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