学海网

硕士论文-基于用户兴趣变化动态聚类的协同过滤算法，共63页，19863字。附实践报告书、答辩文稿。
摘要
基于用户的协同过滤是一种重要的个性化推荐机制，这种机制认为目标用户最近邻的推荐最容易被接受。因此，如何准确找到目标用户的最近邻是实现基于用户协同过滤机制的关键性问题。目前，发现用户最近邻的主要方法是基于用户历史评分对用户进行聚类。因为用户历史评分可以反映用户的兴趣特点，根据用户的历史评分对用户进行聚类，可以将兴趣点相似的用户聚集在一起，在同一个簇中的用户互为最近邻。然而，如果在聚类前的某一时刻，有些用户的兴趣发生偏移，导致这类用户的历史评分会失真。如果根据用户全部的历史评价进行聚类，结果并不准确。针对这一问题，有学者提出最近时间窗口内聚类，用户评分只采用最近时间窗口内数据，尽管该方法可以定位用户最新的兴趣点，但这样可能会忽略用户的长期兴趣，而且，数据稀疏性问题将会更加严峻。针对用户兴趣偏移之后，导致用户聚类不准确问题，本文提出了一种基于用户兴趣变化动态聚类的协同过滤算法。论文所做的主要工作，主要分为以下几方面：
（1）提出了项目特征网络图。多个相似的项目构成一个项目簇，以项目簇作为管理项目的基本单位，项目簇的建立是通过挖掘项目与项目之间固有和隐藏特征的相似性而获得。可以方便的通过用户访问项目的轨迹，识别出用户兴趣的偏移。满足簇内部高内聚，簇之间低耦合的特点。同时，以项目簇管理比用项目结点管理项目更高效。
（2）识别兴趣偏移用户。通过用户的访问项目的轨迹，基于时间窗口建立马尔科夫链模型，可以在动态过程中找到用户兴趣的变化规律，从而识别出用户当前真正的兴趣，从而避免由于用户兴趣偏移对聚类所带来的影响。
（3）缓解用户兴趣的被动偏移。针对兴趣偏移用户，利用用户对项目所在服务的满意度对用户评分进行修正，最终，利用修正的用户评分进行协同过滤。
（4）缓解数据稀疏性。只对用户兴趣发生偏移的用户评分数据进行特殊处理，其他历史数据直接参与用户聚类，并不只是采用当前时间窗口数据。
（5）把本文的基于用户兴趣变化动态聚类的协同过滤算法在聚类效率和推荐准确性方面分别和其他的算法进行对比实验，实验证明，在等同的条件下，本文的算法具有更高的聚类效率和更准确的推荐结果。
关键词: 兴趣偏移，用户聚类，推荐系统，项目特征网络图

目录
第一章绪论1
11 选题背景1
12 国内外研究现状 2
13 课题提出的意义 4
14 本文研究的主要内容 5
15 本文的组织结构 5
16 本章小结6
第二章用户兴趣建模 7
21 用户兴趣模型介绍 7
211 没有考虑偏移情况下的兴趣模型 7
212 考虑偏移情况下的兴趣模型 8
22 兴趣偏移的处理方法 9
23 用户兴趣建模的常用模型 11
231 基于时间窗口的兴趣模型 11
232 基于遗忘的兴趣模型 12
233 基于长期和短期兴趣模型 13
234 基于自适应的兴趣模型 15
235 基于性能指标的兴趣模型 16
236 基于检测的兴趣模型 16
24 本章小结17
第三章基于马尔科夫链的用户兴趣建模 18
31 项目兴趣特征网络图 18
311 项目特征相似度 18
312 项目特征网络图 20
32 马尔科夫链简介 21
33 基于马尔科夫链的用户兴趣模型 22
331 用户兴趣类型的定义 22
332 用户兴趣特征模型的建立 23
333 多兴趣用户和兴趣偏移用户的识别 24
34 基于用户兴趣变化动态聚类的算法 26
35 本章小结27
第四章基于评分修正的协同过滤算法 28
41 用户兴趣的被动偏移 28
42 用户兴趣被动偏移的处理 32
43 缓解兴趣被动偏移的修正评分的计算 33
44 对兴趣偏移用户产生推荐 33
45 基于评分修正的协同过滤算法 35
46 本章小结35
第五章对比实验与结果分析 37
51 实验环境的介绍 37
52 聚类算法的实验介绍及其结果分析 37
521 数据集的介绍 37
522 实验方法以及结果图表分析 37
53 推荐算法的实验介绍及其结果分析 39
531 数据集介绍 39
532 实验方法以及结果图表分析 42
533 对比实验 44
54 本章小结48
第六章总结与展望 49
61 总结49
62 展望50
参考文献51
附录1 攻读硕士学位期间撰写的论文-54
致谢55