分享到:

推荐系统中的隐语义模型研究

隐语义模型是一种有效的隐含语义分析技术,其核心思想是通过潜在特征联系用户和物品。本文从理论方法的角度,详细  (本文共10页) 阅读全文>>

广东工业大学
广东工业大学

基于隐语义模型的个性化推荐系统研究

伴随着互联网技术的迅猛发展,使人们获取信息的方式发生着前所未有的改变,只要具备相应的条件就可以较方便从互联网上面获取丰富的资源信息,其给用户带来便捷的同时也面临着新的问题,那就是“信息过载”问题出现。然而推荐系统的出现可以有效解决此类问题,它能够根据用户的历史行为数据主动为其推荐所偏好的数据。在推荐系统中隐语义模型是一个较年轻的推荐算法,目前其在很多领域得到了应用,但是该模型在实际的应用中仍然还有一些缺陷值得我们去深入研究。首先,传统隐语义模型推荐算法存在冷启动问题以及面对用户历史评分数据过于稀疏导致了推荐精度下降的问题。其次,随着用户和物品规模不断的增长,推荐系统需要处理的数据量变得越来越大,使得传统隐语义模型推荐算法面临着扩展性较差的问题。因为该模型推荐算法中的参数要经过不断迭代与更新,所以在时间消耗以及计算量方面都比较大。为了解决传统隐语义模型推荐算法存在的问题,本文在该模型的基础上做了相应的改进,有效解决冷启动以及数据稀...  (本文共74页) 本文目录 | 阅读全文>>

湖南大学
湖南大学

基于协同过滤模型与隐语义模型的推荐系统研究与实现

随着电子商务的快速发展,人们越来越习惯于使用电子商务网站来购买商品。然而,电子商务网站提供的海量商品使购买者很难快捷的做出决策,他们在寻找满意的商品时需要花费大量的时间和精力。如何通过一种有效的机制来帮助人们缩减获取信息过程中耗费的时间代价,同时保证信息的质量,是目前电子商务研究的热点和难点。推荐系统可以为用户带来轻松购物体验,并专注于感兴趣和需要的物品或信息。本文研究基于协同过滤模型与隐语义模型的推荐系统理论与实现方法,主要对协同过滤推荐算法模型比较;融合隐语义模型和邻域模型的推荐算法优化;基于融合模型的推荐系统的设计等三个问题进行研究。在此基础上提出了一种优化算法并通过在Netflix数据集上的比较实验论证了算法的正确性。本文文根据个性化推荐系统的发展趋势,分析了基于协同过滤的推荐系统的各种算法,包括基于邻域的协同过滤算法和基于模型的协同过滤算法机制与理论。分析了协同过滤算法实现推荐的构建评分矩阵、计算相似度、预测与推荐等三...  (本文共77页) 本文目录 | 阅读全文>>

贵州大学
贵州大学

基于隐语义模型的推荐系统研究

随着互联网、物联网、移动互联网的飞速发展,海量的数据信息产生了信息过载问题。尤其在大型电影推荐网站,如何通过一种有效的机制来帮助用户快速的获取到想要的电影信息,这已成为了当前研究的一大热点和难点问题,其中推荐系统是其研究的主要内容。目前国内外针对推荐系统的研究主要集中在协同过滤推荐、基于内容的推荐、基于知识的推荐和组合推荐四个方面。协同过滤算法以其独特思想和便捷的计算方式在推荐系统领域得到了广泛的应用。但随着系统中用户和项目规模的不断增大,传统协同过滤算法在处理效率、稀疏性和拓展性方面存在不足。本文基于协同过滤中的隐语义模型,首先介绍了模型的理论方法,然后针对评分矩阵高度稀疏的问题,利用k-means算法对模型进行了改进。同时为了提高模型的推荐精度和预测准确率,在模型中加入时间上下文信息。文章主要的工作内容有:1.基于推荐系统的原理和方法,介绍了基于领域的协同过滤算法和基于模型的协同过滤算法理论。2.针对用户评分稀疏问题,利用k...  (本文共72页) 本文目录 | 阅读全文>>

兰州大学
兰州大学

基于隐语义模型的混合推荐模型研究

目的——在推荐系统的研究中,提升预测准确度、降低数据稀疏性的问题,一直都是该领域内的研究热点。隐语义推荐模型中的迭代寻优和矩阵分解降低了数据的稀疏性。其在迭代寻优过程中的随机梯度下降法在进行迭代寻取最优解时,相对于批量梯度下降法在效率方面有显著的提升。但在面对大数据量时,随机梯度下降法的噪声分析和收敛性比小样本梯度下降法差。在对比随机梯度下降法和小样本梯度下降法后,提出在隐语义模型中使用小样本梯度下降法代替随机梯度下降法。在提升预测准确度上,混合推荐模型的预测准确度普遍优于单个推荐模型的预测准确度。提出将基于邻域的推荐模型和使用小样本梯度下降法的隐语义模型进行混合,混合后的模型为KLFM混合推荐模型。混合方法为三种基于线性权重分配的融合策略:等权重融合法、有效权重融合法、鸟类觅食算法与权重寻优相结合的PSO寻优权重融合法。方法——在噪声分析和收敛性上,将传统隐语义推荐模型中的随机梯度下降法与小样本梯度下降法进行比对。为提升预测准...  (本文共82页) 本文目录 | 阅读全文>>

上海交通大学
上海交通大学

基于协同过滤和隐语义模型的个性化推荐系统的研究

随着互联网行业的迅猛发展,网络上充满了各种各样的信息。为了解决信息过载所带来的负面效应,提高用户对信息的利用率,一种智能的信息过滤系统应运而生,它就是个性化推荐系统。基于邻域的协同过滤推荐算法是常见的一类算法,它运用统计学原理分析用户与用户,物品与物品之间的相似度,然后根据兴趣相投的用户倾向于喜欢相同类别的物品的假设,推荐相应的物品给用户。而基于隐语义模型的推荐算法则运用机器学习的方法,通过学习挖掘用户的潜在兴趣偏好和物品的隐含特征,建立用户与物品的关系,然后据此产生推荐。本文重点研究了基于邻域的协同过滤算法与基于隐语义模型的推荐算法的系统理论与实现方法,比较了两种算法的区别。经过深入地研究和分析,结合两类算法的思想,提出了融合这两种算法的新方案,即基于隐含特征的协同过滤算法LICF(latent item feature based collaborative filtering)。该算法首先利用梯度下降法学习产生用户潜在偏好...  (本文共79页) 本文目录 | 阅读全文>>