基于上下文建模的协同过滤算法研究-计算机软件与理论专业论文.docxVIP

3．Improve 3．Improve user—based collaborative filtering algorithm，contextual factors into the algorithm， improve the accuracy of the recommendation． 4．In this paper，the two data sets for off-line experiments，this algorithm and the traditional collaborative filtering algorithm，Differential Context Relaxation algorithm comparative experiments，combined with the two indicators of evaluation indexes MAE and RMSE， comprehensive comparison of the data shows that the algorithm can be to a certain extent recommend to improve the system accuracy． Keywords：collaborative filtering；recommendation system；context awareness；context modeling； IlI 万方数据 目录第一章绪论 目录 第一章绪论 1 1．1课题研究背景 ．．1 1．2课题研究现状 ．．2 1．3课题研究目的和意义 ．3 1．4文章的组织安排 ．．3 第二章个性化推荐以及上下文感知的介绍 5 2．1协同过滤推荐 ．．5 2．1．1相似度 6 2．1．2基于用户的协同过滤 ．8 2．1．3基于项目的协同过滤 ．9 2．1．4 User CF和Item CF比较 10 2’2基于内容的推荐 1 l 2．3混合推荐 12 2．4上下文感知推荐 13 2．4．1上下文的获取 13 2．4．2上下文分类 14 2．5本章小结 15 第三章K．means聚类的应用 ．16 3．1聚类概述 16 3．2聚类中常用计算距离的方法 ．16 3．3 K-means算法 17 3．3项目聚类 19 3．4用户聚类 20 3．4本章小结 21 第四章上下文建模改进算法 ．22 4．1贝叶斯模型 22 4．1．1贝叶斯定理 23 4．1．2计算上下文条件概率 23 4．2改进协同过滤算法 25 4．3评分预测 26 4．4本章小结 27 IV 万方数据 第五章离线实验 第五章离线实验 ．28 5．1实验环境 28 5．2实验数据 28 5．3评估指标 29 5．4实验结果分析 30 5．5本章小结 34 第六章总结和展望 ．35 6．1工作总结 35 6．2研究展望 ．35 参考文献 ．37 V 万方数据 第一章绪论1．1课题研究背景 第一章绪论 1．1课题研究背景 这是个信息的时代，每天产生大量的信息，满足了多种多样的用户需求，但过快的信 息增长，使得用户无法在大量的信息中获得对自己真正有用的那部分，信息的使用率反而 下降了，信息过载的问题变得日益严重，我们快要被这些信息淹没。有许多研究人员和从 业者提出利用网络上数百万人的意见来帮助我们发现更有用有趣的内容，来使信息为我所 用，这样的简单想法在不同的领域以不同的形式被证明是有效的．这就是推荐系统的最初 模型。最早被称为“推荐系统”’的软件出现在十五年前。从那时起，研究人员就不断地 开发实现推荐系统的新方法。 一般推荐系统有两个目的。一方面，推荐系统可以被看做是解决信息过载的工具，因 为推荐系统的目标就是从大量的集合里选择最感兴趣的物品12]；另一方面，推荐系统被用 于激发用户去做某件事情，比如购买一件物品，一本书，或者观看一场电影。大多数互联 网用户或多或少都遇到过的推荐系统。设想一下，一个朋友向你推荐了一本新书，你随后 访问了自己最喜欢的网络书店，输入完这本书的名字之后，他出现在了-N返回结果中。 网页上或许写着“买了这本书的顾客也会买”的区域，列出另外一些相关的书，而这些书 恰好有几本也是你感兴趣的。决定哪些书应该展现给那个特定用户的软件系统就是推荐系 统。一个好的推荐系统不仅能为用户提供感兴趣的个性化服务，还能和用户建立信任关系， 让用户对系统产生依赖。 今天，我们中的大多数已经习惯于推荐系统服务，比如Amazon．corn使用的推荐引擎。 历史上，推荐系统应用了人工智能和信息过滤领域的方法而广受关注，采用这些方法可以 推荐web站点或对新闻进行排序、过滤。事实上，基于实例和规则技术的推荐方法，源于 20世纪80年代的专