|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
随着互联网技术的发展，互联网能够为用户提供越来越多的信息。互联网中信息数量不断增长更新，已成为信息的海洋。用户面对过多的信息无法有效选择，如何从海量信息中获取自己需要的信息成为难题。推荐系统（Recommender System）技术通过预测用户对信息的喜好程度，将用户面对的信息量减少到方便处理的程度, 为解决这一题目提供了方法。基于协同过滤的推荐系统是最成功的推荐系统之一。基于协同过滤的推荐系统（以下简称协同过滤），其核心思想是利用相似用户知识为目标用户进行推荐。协同过滤的优点是数据容易获取，推荐准确率高，这些优点使得协同过滤能够应用在音乐推荐、电影推荐、饭店推荐、笑话推荐等等各个互联网应用领域。在大规模Web 推荐服务（以下简称Web 推荐）中应用时，协同过滤遇到的困难为：推荐准确率题目、处理数据规模可扩展性（Scalability）题目、特定领域应用信息推荐题目。推荐准确性是系统推荐能力的度量。在Web 推荐中，数据环境非常复杂，数据稀疏，噪声数据比例高，协同过滤的推荐准确率面临挑战。可扩展性是系统处理规模的度量。Web推荐中，协同过滤需要实时处理海量数据，而协同过滤计算复杂度很高，因此如何改进协同过滤可扩展性，是协同过滤应用面对的难题。特定应用领域的数据，其一些特征与协同过滤对数据要求冲突，这些冲突影响了协同过滤应用，而另一些特征则可以用来弥补协同过滤不足。如何在特定领域中，利用数据特征，改进协同过滤缺点，使得协同过滤适应特定领域，是协同过滤在特定领域应用中面对的题目。用户日志是用户实际访问行为的记录，而用户访问行为反映了用户对于对象的认识。通过数据挖掘技术，研究用户日志中蕴含的知识，能够改进协同过滤。本文对Web推荐中协同过滤遇到的题目进行了分析，研究了用户日志挖掘技术，提出并解决了聚类改进、时间信息应用、新闻协同过滤等具体研究题目。本文的主要研究内容及贡献如下：1. 提出了基于邻居向量相似度的聚类方法。Web 推荐数据的数据量巨大，而且噪声比例很高，协同过滤很难处理。在协同过滤发展中，聚类技术有许多应用，能够改进协同过滤可扩展性及推荐准确率，尤其适用于海量Web 推荐数据。聚类方法中对象相似度定义决定了聚类结果，但是在以往研究中，对协同过滤领域的对象相似度研究很少。本文提出一种新的对象相似度定义–基于邻居向量的相似度。首先通过基础相似度，寻找对象的邻居对象，将对象用邻居向量表示。然后，将邻居向量相似度定义为对象相似度。基于邻居向量的相似度定义，利用对象相似则对象的邻居也会相似的特性，降低了噪声数据对聚类结果的影响。这种相似度度量能够改进常用聚类算法的效果，进而改进协同过滤推荐准确性。同时，本文还提出了一种新的结合聚类与协同过滤的方法，通过加强聚簇内部推荐权重，提高推荐准确率。2. 分析用户评分行为随时间的变化对协同过滤的影响，提出了利用时间信息改进协同过滤的方法。在以往协同过滤研究中，时间信息往往被忽略，用户兴趣模型假设为不变，用户在不同时间的评分，被认为是一致的。本文综合分析了用户评分行为随时间的变化对协同过滤的影响，并针对这些影响提出了应用时间信息的三种方法：综合用户、对象、时间的评分预测基准计算，通过时间衰减函数优化评分之间影响因子以及时间自适应的协同过滤。对这些方法比较分析的结果，说明了时间信息在改进协同过滤准确率中的作用。3. 提出在大规模新闻推荐中应用协同过滤的方法。新闻推荐是典型的大规模Web 推荐服务。除了一般Web 推荐数据特征以外，新闻推荐的特点为新闻更新速度快，而且用户需要获得最新新闻推荐。除了准确率题目及可扩展性题目，最新新闻推荐要求与一般协同过滤的要求不符，通常协同过滤方法很难应用在新闻推荐中。本文提出了单位时间推荐度的概念，解决最新新闻推荐题目。同时，提出并利用了新闻类别距离来降低噪声数据影响，改进新闻推荐准确率。本文设计了新闻推荐系统框架，改进了新闻推荐系统的可扩展性，使得用户能够获得满意的实时新闻推荐。大规模数据的实验结果说明，这些方法能够较好的解决大规模新闻推荐中协同过滤的应用题目。 |
上一篇：HASH快速精确匹配查找算法原理及FPGA实现研究下一篇：基于SVN的图文档管理系统的设计与实现
|
发表于 2024-2-6 21:30:09
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
