版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、在信息爆炸時代,互聯(lián)網(wǎng)為廣大用戶提供的資源數(shù)量迅速增長,但網(wǎng)絡在給用戶提供更多樣的資源的同時,也給用戶獲取真正感興趣的資源帶來困難。個性化推薦系統(tǒng)有針對性地向用戶推薦項目,減少用戶的查詢和過濾操作,可以提升用戶使用感受并且提高資源利用率,成為當今互聯(lián)網(wǎng)應用研究的熱點。
個性化推薦系統(tǒng)的核心是個性化推薦算法,其利用用戶過去的行為記錄以及項目本身的特點,預測用戶對項目的感興趣程度。目前研究和應用較多的算法為協(xié)同過濾方法和基于內(nèi)容的
2、方法,本文針對現(xiàn)有推薦方法中面臨的稀疏性、冷啟動且準確率低等問題,圍繞多策略電影推薦方法開展了相關(guān)研究工作,其主要工作內(nèi)容與成果說明如下:
1.提出一種基于網(wǎng)站相關(guān)推薦聚合和電影本體知識的電影推薦方法。首先利用電影屬性及影人屬性構(gòu)建本體模型,通過用戶歷史記錄獲取用戶當前興趣模型,計算用戶對不同屬性的偏好權(quán)重。通過聚合技術(shù)獲取若干網(wǎng)站對用戶最近看過的電影的相關(guān)推薦作為待推薦電影源。利用SimRank方法和加權(quán)相似度計算電影與電影
3、或電影與用戶興趣模型之間的相似度,向用戶推薦電影。實驗結(jié)果證明,本方法推薦準確率在用戶個人推薦場景下較現(xiàn)有方法提高了約10%,且電影相關(guān)推薦比對比方法提高了11.4%;同時在一定程度上解決了稀疏性、冷啟動等問題。
2.提出一種基于對分網(wǎng)絡和用戶聚類的評分預測方法。首先將用戶對電影的行為記錄利用對分網(wǎng)絡來表示,通過對分網(wǎng)絡的路徑信息得到用戶之間的相似度,利用評分時間、評分差對相似度進行修正,挖掘用戶之間的關(guān)聯(lián)性。利用譜聚類算法將
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(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)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。
最新文檔
- 基于多因素的引文推薦策略研究.pdf
- 基于混合推薦的電影推薦系統(tǒng)的研究與實現(xiàn).pdf
- 基于本體的電影推薦系統(tǒng).pdf
- 基于SVD與SVM混合推薦的電影推薦系統(tǒng)的研究.pdf
- 基于多領(lǐng)域本體的探索式搜索的查詢推薦方法研究.pdf
- 基于分類驅(qū)動推薦算法的電影推薦系統(tǒng)的研究與應用.pdf
- 互聯(lián)網(wǎng)電影推薦方法的研究與實現(xiàn).pdf
- 基于多粒度猶豫模糊語言信息的群推薦方法研究.pdf
- 高效的基于多策略本體映射方法的研究.pdf
- 基于多影響嵌入的個性化POI推薦方法.pdf
- 基于用戶推薦質(zhì)量的服務推薦方法研究.pdf
- 基于Hadoop的電影推薦系統(tǒng)的研究與實現(xiàn).pdf
- 基于回歸策略的推薦算法研究.pdf
- 基于多策略的流數(shù)據(jù)查詢優(yōu)化方法研究.pdf
- 基于隨機搜索策略的多標簽特征選擇方法研究.pdf
- 基于Hadoop的電影推薦系統(tǒng)研究與實現(xiàn).pdf
- 基于位置的社會網(wǎng)絡中多因素感知POI推薦策略.pdf
- 基于卷積神經(jīng)網(wǎng)絡的電影推薦模型研究.pdf
- 電影推薦
- 推薦電影
評論
0/150
提交評論