论文部分内容阅读
随着数据采集技术,存储技术的迅速发展以及互联网技术在全球范围内的普及,各种类型的海量数据层出不穷。面对这些海量的数据,如何找出隐藏在其中的,对人们有用的信息,已成为当今信息领域一个亟待解决的问题。推荐系统采用知识发现技术,提供个性化建议,是用来筛选出过载信息的最有效的方法之一。到目前为止,推荐系统已经成功地应用于电子商务,图书推荐,电影推荐和视频推荐等领域。尽管近年来推荐系统在理论和实际应用中都得到了快速的发展,但同时也存在着一些的问题。随着用户数量的激增,系统规模的不断扩大,推荐系统在冷启动、推荐质量及实时性等方面存在难以克服的问题。针对这些问题,本文对推荐系统中的核心问题之——推荐算法,进行了有益的探索和研究,主要研究内容如下:(1)针对传统推荐系统中三元组信息丢失导致的推荐质量较差问题,本文直接采用两个三部图加权,使得网络有了二次扩散,提出了一种新的基于三部图策略的推荐算法。(2)提出了一种基于N部图的推荐算法,并给出了理论推导和论证。(3)针对传统推荐系统实时性差问题,改进了K-means算法,并将其应用于客户细分。(4)为了解决冷启动问题,将改进的K-means算法应用于新用户标签的归类,与基于三部图的推荐算法相结合,提出了一种将离线聚类与在线推荐相结合的方法。实验验证了本文所提方法的有效性。