导　　师： 杨兴雨

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 快速发展的互联网逐渐成为信息传递和商品交易的重要平台,成为大多数人生活中不可缺少的一部分。然而,互联网信息的快速膨胀,给用户带来丰富多样的信息同时,也对用户搜索信息的能力和精力提出了挑战。推荐系统作为一种信息过滤的重要途径,已经在互联网各个领域中得到广泛的应用。协同过滤算法是在推荐系统中应用最成功的推荐技术之一,在理论和实践上都取得长足的发展。然而,随着推荐系统中用户和项目的剧增,传统基于内存的协同过滤算法由于对计算资源的开销过大而面临可扩展性问题。如何把计算资源开销控制在可接受的范围内并保证推荐的效率和质量是目前业界研究的热点问题。针对可扩展性问题,本文在协同过滤推荐中引入聚类技术和监督学习技术,并提出三种协同过滤推荐算法。主要工作分为以下三部分:传统基于内存的协同过滤算法利用用户-项目评分矩阵的一行(列)表示一个用户(项目),在用户和项目数以百万计的推荐系统中,维数过高的用户和项目向量导致推荐效率的下降。本文针对用户和项目降维,分别提出DRU和DRI算法。DRU(DRI)通过二分k-means聚类技术对用户(项目)进行聚类,并计算用户(项目)对用户簇(项目簇)的隶属度,每个用户(项目)由其对应的隶属度向量表示。由于隶属度向量的维数通常远低于评分向量,因此基于内存的协同过滤算法的用户或项目间相似度的计算量大幅减少,由此提高了在线推荐的效率。此外,本文还提出DRUI算法,用于集成DRU和DRI的预测结果。实验结果表明,提出的算法在线推荐效率远高于传统基于内存的协同过滤算法(UCF和ICF);此外,尽管在评分预测准确度上DRU和DRI比UCF和ICF逊色,但是经过DRUI模型的集成后比它们更优越。传统基于内存的协同过滤算法预测评分时需要搜索目标用户(或项目)的最临近用�

关 键 词： 推荐系统 协同过滤 聚类技术 随机森林 人工神经网络

领　　域： []