推荐5篇关于用户评分的计算机专业论文

今天分享的是关于用户评分的5篇计算机毕业论文范文, 如果你的论文涉及到用户评分等主题,本文能够帮助到你

融合用户评分和项目质量信息的协同过滤推荐方法研究

这是一篇关于用户评分,项目质量,相似度,近邻,协同过滤的论文, 主要内容为计算机、互联网技术的飞速发展,极大地拓展了人们获取信息的渠道,有效促进了多样化信息的共享。然而,面对海量、复杂信息,人们在体验互联网便捷性的同时,也日益发现高效获取有用信息变得更加困难。为了缓解信息过载问题,推荐系统应运而生并迅速发展为电商平台、社交媒体等领域信息精准推送的关键支撑。然而,需要强调的是,尽管学术界、产业界围绕推荐系统取得了系列重要研究进展,但是,数据稀疏性仍然是其面临的重要挑战之一。数据稀疏情境下,用户之间共同兴趣项极少现象往往导致经典的相似性度量失效或不准确,因此,从用户行为、项目特征的深入分析入手,挖掘用户、项目的深层次信息,自然成为推荐方法的重要研究方向。本文立足于“用户-项目”两维视角信息的深入挖掘,通过综合考虑用户评分偏置、共同兴趣项占比、热门项目惩罚因子、项目质量偏置等关键因素,建立了基于相似度改进的协同过滤推荐方法。主要研究内容如下:(1)提出与改进基于用户评分差异的相似度度量准则。以用户视角为切入,考虑用户之间在共同兴趣项上的评分差异以及用户评分偏置行为,融合热门项目惩罚因子、共同兴趣项占比等信息,为更为细致地刻画用户之间的相关关系提供了有效的度量准则。(2)提出与改进基于项目质量差异的相似度度量准则。以项目视角为切入,考虑项目质量偏置这一重要影响因素,引入离散系数刻画项目评分的离散程度;通过与共同兴趣项占比、经典相关系数融合,为用户之间相关关系刻画提供了基于项目特征分析的相似性度量准则。(3)基于用户评分与项目质量信息融合的近邻推荐方法。以“用户-项目”两维视角信息融合为切入,以MAE值最小化为目标给出了两种相似度的权重度量机制,通过融合基于用户评分与项目质量的相似性信息,提出了旨在更为全面刻画用户、项目特征的近邻推荐方法。总体来看,本文着眼于更为细致、全面地分析与挖掘用户行为、项目特征,建立了融合用户评分与项目质量信息的基于近邻的协同过滤方法。以包含943个用户、1682部电影、100000条数据的Movie Lens-100K为实验数据集,通过实验测试及其比较分析验证了本文方法的有效性。研究成果丰富与发展了推荐系统的方法体系,在电商网站等各类推荐场景具有应用价值。

基于内容和协同过滤的混合推荐算法研究及应用

这是一篇关于混合推荐算法,内容特征,协同过滤,用户评分,相似度度量的论文, 主要内容为在大数据时代,人们一方面享受着大数据所带来的红利,各个平台都给用户们提供了多种多样的选择,以此来丰富人们生活。但是另一方面,用户也不得不面临信息爆炸的挑战,如何从广泛的数据中准确挑选出符合自身需求的个性化的信息已经成为迫切需要解决的问题,个性化推荐系统由此而生。在个性化推荐系统的发展历程中,最为关键的便是其核心内容——推荐算法的研究与应用。目前的主流推荐算法有基于内容的推荐算法、协同过滤算法等。基于内容的推荐算法能够充分利用推荐对象的属性特征进行推荐,但其推荐结果局限性较强,不能挖掘出用户潜在的兴趣爱好。协同过滤推荐算法有着比较稳定的性能,但也存在着数据稀疏性、新物品没有用户评分难以推荐导致“冷启动”等问题。此外,传统协同过滤算法的核心内容在于相似度的计算,但一些常用的相似度计算方法通常不考虑两个用户评分向量间的交叠程度和用户兴趣的衰减变化。论文在综合了上述主流推荐算法的优缺点的基础上,提出一种基于内容和协同过滤的混合推荐算法(CB-TUB),以此来提升算法性能。论文的具体工作包括:第一,针对项目“冷启动”问题,用特征“标签”对项目内容进行描述,进行基于内容的推荐。第二,在利用基于用户的协同过滤推荐算法进行推荐时,通过用户对项目的隐式评分来构建用户-评分矩阵,以此缓解数据稀疏性问题。在相似度计算时,一方面引入用户的评分时间权重,体现用户兴趣变化;另一方面,引入杰卡德统一算子距离,衡量用户间共同评分项目所占的比重。最终,论文创造性地提出了“用户感兴趣指数”这一指标以便两种算法能在同一维度上进行混合,并给出了计算方法。在算法混合时,将推荐项目的加权后用户感兴趣指数从高到低排序,为用户产生Top-N推荐。论文将混合算法应用在了电视节目个性化推荐中。利用2018年泰迪杯B题中的电视节目数据集对混合算法的性能进行实验仿真。研究发现在进行权重混合之后,混合算法在精确率、召回率、1F score方面相较传统的单一算法均有所提升,具有推荐优势。

个性化推荐系统的设计与实现

这是一篇关于推荐系统,物质扩散推荐算法,用户评分,分类准确性,预测准确性的论文, 主要内容为随着互联网技术的日趋成熟,人们在网上进行购物、看视频、看小说以及听音乐等各种活动,因此,越来越多的数据就这样产生了。在如此巨大的信息量中找出自己感兴趣的信息,传统的做法是用户根据键入的关键字,再利用百度、谷歌等搜索引擎,从而找出有用的信息。然而,一旦用户输入的关键字不够准确,就会错过很多有用的信息,这也是搜索引擎的缺陷所在。因此,为了有效利用这些“暗信息”,一门新兴的技术—推荐系统便由此产生了。协同过滤推荐系统是最早的推荐系统,同时也是最经典的、使用最广泛的推荐系统。协同过滤推荐系统不仅能发现用户潜在的,但是自己并未发现的兴趣爱好,而且还能推荐艺术品、音乐和电影等难以进行分析内容的产品。但同时,他存在一些难以解决的问题,比如,如何对新用户进行推荐,如何推荐新产品;如何对推荐结果进行有说服力的解释;推荐产品的分类是否准确;对商品预测评分是否准确等。基于内容的推荐系统,可以看做是协同过滤推荐系统延续和发展。它不仅可以解决协同过滤推荐系统对新用户和新产品无法进行推荐的问题,而且还能更好的对推荐结果进行合理的解释。但是,它同样存在分类准确性问题和预测评分准确性的问题。近几年兴起的基于网络结构的推荐算法,以物质扩散算法最具代表性。物质扩散系统具有推荐效果好,分类和预测都比较准确,实现相对比较简单的优势,但是,它却没有考虑到用户评分对推荐效果的影响。本文主要改进了物质扩散推荐算法中初始资源矩阵和资源转移矩阵中的参数,参考了用户对商品的评分,作为初始资源矩阵和资源转移矩阵中的调节因子。用户的评分可以直观的表示出用户对商品的喜爱程度,加入用户评分参数,可以使得算法的分类准确性和预测精确性得到进一步的提升,推荐的结果让用户更加满意。利用Movie Lens网站上的用户观看电影产生的数据集对算法进行测试,并对比分析了基于用户的协同过滤推荐算法、基于商品的协同过滤推荐算法、基于内容的推荐算法和标准的物质扩散算法与本文改进算法的实验结果,实验结果表明,改进算法的分类准确性及预测准确性,优于现有的推荐算法。此外,本文使用了统计和大数据分析领域使用非常广泛的工具R,对数据进行挖掘分析。