隨著信息技術(shù)的快速發(fā)展,人們對個人信息的要求也越來越高,為了提高信息的質(zhì)量,需要一個定制的推薦系統(tǒng),該系統(tǒng)通過分析用戶的偏好,幫助用戶快速搜索最適合的商品,其中協(xié)同過濾技術(shù)是推薦系統(tǒng)領(lǐng)域最成功的技術(shù)。盡管已經(jīng)證明協(xié)同過濾算法成功且被廣泛接受,也存在準確性較低、數(shù)據(jù)稀疏性和新項目冷啟動等問題。本文分析了傳統(tǒng)協(xié)同過濾推薦算法的局限性,提出了一種基于XML模糊數(shù)據(jù)的協(xié)同過濾推薦算法。針對協(xié)同過濾算法中的評分數(shù)據(jù)稀疏性問題,以“用戶對項目的偏好分解為對項目中每個屬性特征評分之和”為出發(fā)點,通過邏輯回歸模型填充稀疏評分矩陣中的缺失值,并且基于填充后的評分矩陣計算項目間的協(xié)同相似度。將模糊數(shù)據(jù)的處理與協(xié)同過濾推薦結(jié)合,基于可能性理論以及相似性理論對項目存在的模糊屬性特征進行處理與建模,通過XML的良好結(jié)構(gòu)挖掘項目模糊屬性特征之間的相似度,提高推薦系統(tǒng)的推薦準確度。針對新項目冷啟動問題,將項目模糊屬性相似度與基于填充后的評分矩陣計算得到的項目協(xié)同相似度加權(quán)結(jié)合得到綜合的相似關(guān)系,通過綜合相似關(guān)系推薦。采用MovieLens數(shù)據(jù)集,對改進算法進行評估與分析。實驗結(jié)果表明,在相同的實驗條件下,改進算法對項...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖4.1線性回歸Fig.4.1Linearregression獲取批注好的訓(xùn)練模型后，可以在邏輯回歸算法中進行模型訓(xùn)練，得到一組訓(xùn)練

圖4.1線性回歸Fig.4.1Linearregression的訓(xùn)練模型后，可以在邏輯回歸算法中進行模型訓(xùn)練1122.,=(,y),(,y),...,(,y)nnnIxxx，此訓(xùn)練數(shù)據(jù)為每個項目中的并且，對于任意一個項目I，用映射I....

圖4.2sigmoid函數(shù)曲線

圖4.2sigmoid函數(shù)曲線Fig.4.2Curveofsigmoidfunction模型是一個被sigmoid函數(shù)所歸一化后的線性回歸模型，數(shù)樣本（項目）的特征及其最優(yōu)權(quán)值，將對應(yīng)于特征12,,xx叫做回歸系數(shù)，對得到的最優(yōu)權(quán)值進行求和就是每個....

圖5.4四個數(shù)據(jù)集處理前后不同推薦算法的MAE值比較

41c)DS50數(shù)據(jù)集d)DS300數(shù)據(jù)集圖5.4四個數(shù)據(jù)集處理前后不同推薦算法的MAE值比較Fig.5.4MAEcomparisonofdifferentalgorithmsbeforeandafterfourdatasetsproc....

本文編號：4048702