基于Web挖掘的個性化推薦算法研究.pdf_第1頁
已閱讀1頁,還剩87頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著IT技術、web2.0技術以及云計算技術等的不斷發(fā)展,信息超載問題使人們在面對海量數據尋找滿足自己需求的信息時變得手足無措;同時,信息檢索個性缺失問題是用戶體驗下降,系統(tǒng)用戶流失的重要原因之一。本文介紹個性化推薦技術對解決這兩大問題的作用與方法,并通過分析協同過濾算法思想原理及其所存在的不足,提出基于Web挖掘的個性化推薦算法,提高推薦系統(tǒng)的推薦質量與性能。
  為了解決傳統(tǒng)的協同過濾算法中所存在的數據稀疏性、“冷啟動”以及用

2、戶參與度高等問題,引入Web使用挖掘技術,通過挖掘用戶的Web日志,了解用戶的行為模式、興趣愛好并構建“用戶-項目”興趣度矩陣,改變協同過濾算法的數據采集方式和數據表現形式:由顯示用戶評分轉變?yōu)殡[式用戶項目偏好度;其次,為了解決傳統(tǒng)的協同過濾算法中相似度計算方法鄰居誤判問題、無法應對新用戶或新項目“冷啟動”問題等,引入單點作用度機制,從“用戶-項目”興趣度矩陣整體角度,考察用戶向量的每個分量在計算用戶相似度過程中的作用并加權影響相似度計

3、算結果;最后,為了優(yōu)化傳統(tǒng)的協同過濾算法中鄰居集產生的方法,算法衡量用戶間項目推薦重要度的差異,對目標用戶的相似用戶集進行過濾產生最優(yōu)鄰居集。
  本文采集南京郵電大學Web服務器日志數據并對其進行Web使用挖掘,構建“用戶-項目”興趣度矩陣作為實驗數據源,對基于Web挖掘的個性化推薦算法進行實驗仿真與測試,使用MAE、覆蓋率、精確率和召回率四個算法評估指標將其與傳統(tǒng)的基于PC的協同過濾算法進行比較,實驗結果表明,基于Web挖掘的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論