内容简介：

个性化推荐系统设计，毕业设计，共65页，29540字，附外文翻译。

摘要

个性化推荐系统根据用户的历史数据，利用推荐算法向他们推荐可能感兴趣的商品。协同过滤(CF)是目前研究最多、应用最广泛的推荐算法，然而存在稀疏性和可扩展性这两个瓶颈问题。基于社区的推荐算法在全局稀疏数据中寻找局部稠密社区，因此不仅有望解决稀疏性问题，而且能有效解决可扩展性问题。

本文在系统学习推荐技术的基础上，主要开展了如下4个方面的工作：

1. 基于聚类的社区推荐，即直接在用户—项目评分矩阵上对用户进行社区划分。结果表明，基于Kmeans方法的准确度比CF算法略微下降；Fuzzy-kmeans无法有效划分用户社区，因此不能直接用于推荐系统；

2. 基于降维聚类的社区推荐，即利用SVD方法对用户—项目评分矩阵进行降维，然后在简化的矩阵上进行用户社区划分。结果表明，该方法能够产生比K-means方法更高质量的推荐，但仍然低于标准的CF算法；

3. 结合产品类别信息的推荐，即将产品与其类别信息进行关联，把用户对项目的评分矩阵转化为用户对类别的关注矩阵。结果表明，该算法比k-means方法略好，但远远低于标准的CF算法；

4. 子矩阵推荐算法，即将矩阵划分为若干块，而不是按行或者列进行划分，在块内进行推荐。本文尝试了一种基于子矩阵的社区划分方法，该方法推荐质量优于自然类别划分但仍然低于标准CF算法；

本文尝试了多种社区推荐算法，虽然其结果并不令人满意，但作为该方向比较系统的初步研究，为下一步新型推荐算法研究提供了有益参考。

关键词：推荐系统，协同过滤，社区划分，稀疏性，算法可扩展性

目录

第1章 绪论1

1.1 课题研究的背景及意义1

1.2 论文核心和特色3

1.3 论文主要工作3

1.4 章节安排4

第2章 个性化推荐系统5

2.1 推荐系统5

2.1.1 推荐系统的服务形式6

2.1.2 推荐系统的输入方式6

2.1.3 推荐系统采用的技术7

2.2 协同过滤推荐8

2.3 个性化推荐评价指标11

2.3.1 预测准确度11

2.3.2 分类准确度12

2.3.3 准确度之外的评价指标13

2.4 本章小结14

第3章 基于聚类的社区推荐15

3.1 问题的提出15

3.2 基于Kmeans的推荐算法17

3.2.1 算法思想17

3.2.2 算法描述18

3.2.3 实验及结果分析19

3.3 基于Fuzzy-kmeans的推荐算法24

3.3.1 算法思想24

3.3.2 算法描述25

3.3.3 实验及结果分析26

3.4 本章小结27

第4章 基于降维聚类的社区推荐29

4.1 算法思想29

4.2 算法描述29

4.3 实验及结果分析31

4.4 本章小结33

第5章 结合产品类别信息的推荐35

5.1 算法思想35

5.2 算法描述35

5.3 实验及结果分析37

5.4 本章小结39

第6章 子矩阵推荐算法41

6.1 算法思想41

6.2 算法描述42

6.3 实验及结果分析43

6.4 本章小结46

第7章 总结与展望47

致谢49

参考文献51

外文资料原文55

外文资料译文59

相关说明：

1. 如您下载的资料不止一份，建议您注册成为本站会员。会员请登录后下载。

2. 会员购买金币50元以下，0.7元/个，50元以上，0.5元/个。具体请看：下载与付款。

3. 会员48小时内下载同一文件，不重复扣金币。

4. 下载后请用WinRAR或WinZIP解压缩后使用。

5. 如仍有其他下载问题，请看常见问题解答。

下载地址：