面向用户评分数据的协同过滤算法研究
目前推荐系统在购物网站、在线音乐、电影娱乐网站等都有广泛的应用，它可以发现每个用户的偏好，并给出个性化的推荐。在推荐系统研究领域，神经网络被用来获取项目的文本、图片、语音等特征，并将这些特征作为辅助信息用于推荐中。考虑到user-item评分矩阵是协同过滤类算法进行推荐的重要依据，本文将神经网络应用在对user-item评分矩阵分析中，提出获取评分矩阵特征向量的方法及一种混合推荐算法。本文的主要工作包括： 1）提出使用user-item评分矩阵里每个样本所处的行向量与列向量相拼接的方式作为样本的特征向量，再使用BP神经网络对user-item评分矩阵进行评分预测，实现了用神经网络寻找user-item评分矩阵中用户与项目之间的潜在关系。 2）针对评分数据稀疏会影响SlopeOne算法推荐的准确性，提出基于BP神经网络和SlopeOne的混合推荐算法，通过使用BP神经网络预测项目评分的方法缓解评分数据稀疏对SlopeOne算法的影响，从而提高推荐的精确度。 3）以第三章提出的算法为核心，设计了一款基于web的电影推荐系统。该系统以爬取的豆瓣电影信息为基础数据，用户可以在网站上浏览电影相关信息，并且给出评分，当用户在网站的评分记录有过5条以后，网站的后台系统会根据本文提出的协同过滤算法来给用户推荐电影。 在Movielens数据集上对本文提出的协同过滤算法及混合推荐算法进行了仿真实验，并与开源工具Surprise就RMSE和MAE值做了对比实验，实验结果表明本文提出的方法的有效性及实际应用价值。
用户评分数据;协同过滤;混合推荐;BP神经网络
西华大学
硕士
计算机技术
伊良忠;张海波
2019
中文
TP391.3
2020-04-02（万方平台首次上网日期，不代表论文的发表时间）