基于聚类矩阵近似的协同过滤推荐模型研究
基于矩阵分解技术的系统过滤是一种常见的推荐技术，但是由于用户和商品数据的稀疏性和推荐系统可扩展性差的问题，使推荐系统的准确性和计算效率受到了巨大挑战。本文提出基于显性信息和隐性信息聚类矩阵近似的协同过滤推荐模型，该模型主要针对推荐系统中存在的用户商品数据的稀疏问题和推荐系统可扩展性较差问题进行改进，以期提升推荐系统的准确率与计算效率。 基于显性信息的聚类矩阵近似的协同过滤推荐方法通过用户和商品同时聚类来考虑用户对于商品兴趣的局部特性，找到评分矩阵的内在结构，形成稠密矩阵块。同时，该方法应用的是真实评分数据，而不是填充数据，从而较少地将缺失数据纳入计算范围，减少了噪声数据的干扰，提升了推荐质量。在稠密矩阵块内部做推荐减少了推荐系统整体的数据输入，提高了计算效率。 基于隐性信息的聚类矩阵近似的协同过滤推荐方法首先将用户-商品评分矩阵转化为进过处理后的偏好指示矩阵，在此基础上进行寻找最相似的用户-商品稠密矩阵块。然后将通过偏好指示矩阵找到的稠密矩阵块中的数据还原为原始用户对商品的评分数据，并进行矩阵近似和对用户进行推荐。 最后，本文选取MovieLens-100K电影评分真实数据集进行试验，并采用RMSE的评价指标对推荐系统进行评价。推荐实验表明，基于显性信息的聚类矩阵近似协同过滤推荐模型在准确性和可扩展性方面得到了提高，基于隐性信息的聚类矩阵近似协同过滤推荐模型比上一模型在准确性方面有所提高;两个模型在不同的情况下皆可提高推荐系统的准确性，提升可扩展性，从而带来更好的用户体验，提升电商平台与商家的收入。
推荐系统;协同过滤;准确性;可扩展性;谱聚类矩阵近似
北京化工大学
硕士
管理科学与工程
张文
2019
中文
TP393.09
2019-10-08（万方平台首次上网日期，不代表论文的发表时间）