內容簡介：

個性化推薦系統設計，畢業設計，共65頁，29540字，附外文翻譯。

摘要

個性化推薦系統根據用戶的歷史數據，利用推薦算法向他們推薦可能感興趣的商品。協同過濾(CF)是目前研究最多、應用最廣泛的推薦算法，然而存在稀疏性和可擴展性這兩個瓶頸問題。基于社區的推薦算法在全局稀疏數據中尋找局部稠密社區，因此不僅有望解決稀疏性問題，而且能有效解決可擴展性問題。

本文在系統學習推薦技術的基礎上，主要開展了如下4個方面的工作：

1. 基于聚類的社區推薦，即直接在用戶—項目評分矩陣上對用戶進行社區劃分。結果表明，基于Kmeans方法的準確度比CF算法略微下降；Fuzzy-kmeans無法有效劃分用戶社區，因此不能直接用于推薦系統；

2. 基于降維聚類的社區推薦，即利用SVD方法對用戶—項目評分矩陣進行降維，然后在簡化的矩陣上進行用戶社區劃分。結果表明，該方法能夠產生比K-means方法更高質量的推薦，但仍然低于標準的CF算法；

3. 結合產品類別信息的推薦，即將產品與其類別信息進行關聯，把用戶對項目的評分矩陣轉化為用戶對類別的關注矩陣。結果表明，該算法比k-means方法略好，但遠遠低于標準的CF算法；

4. 子矩陣推薦算法，即將矩陣劃分為若干塊，而不是按行或者列進行劃分，在塊內進行推薦。本文嘗試了一種基于子矩陣的社區劃分方法，該方法推薦質量優于自然類別劃分但仍然低于標準CF算法；

本文嘗試了多種社區推薦算法，雖然其結果并不令人滿意，但作為該方向比較系統的初步研究，為下一步新型推薦算法研究提供了有益參考。

關鍵詞：推薦系統，協同過濾，社區劃分，稀疏性，算法可擴展性

目錄

第1章 緒論1

1.1 課題研究的背景及意義1

1.2 論文核心和特色3

1.3 論文主要工作3

1.4 章節安排4

第2章 個性化推薦系統5

2.1 推薦系統5

2.1.1 推薦系統的服務形式6

2.1.2 推薦系統的輸入方式6

2.1.3 推薦系統采用的技術7

2.2 協同過濾推薦8

2.3 個性化推薦評價指標11

2.3.1 預測準確度11

2.3.2 分類準確度12

2.3.3 準確度之外的評價指標13

2.4 本章小結14

第3章 基于聚類的社區推薦15

3.1 問題的提出15

3.2 基于Kmeans的推薦算法17

3.2.1 算法思想17

3.2.2 算法描述18

3.2.3 實驗及結果分析19

3.3 基于Fuzzy-kmeans的推薦算法24

3.3.1 算法思想24

3.3.2 算法描述25

3.3.3 實驗及結果分析26

3.4 本章小結27

第4章 基于降維聚類的社區推薦29

4.1 算法思想29

4.2 算法描述29

4.3 實驗及結果分析31

4.4 本章小結33

第5章 結合產品類別信息的推薦35

5.1 算法思想35

5.2 算法描述35

5.3 實驗及結果分析37

5.4 本章小結39

第6章 子矩陣推薦算法41

6.1 算法思想41

6.2 算法描述42

6.3 實驗及結果分析43

6.4 本章小結46

第7章 總結與展望47

致謝49

參考文獻51

外文資料原文55

外文資料譯文59

相關說明：

1. 如您下載的資料不止一份，建議您注冊成為本站會員。會員請登錄后下載。

2. 會員購買金幣50元以下，0.7元/個，50元以上，0.5元/個。具體請看：下載與付款。

3. 會員48小時內下載同一文件，不重復扣金幣。

4. 下載后請用WinRAR或WinZIP解壓縮后使用。

5. 如仍有其他下載問題，請看常見問題解答。

下載地址：

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的计算机配件推荐系统论文摘要,个性化推荐系统设计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。