论文部分内容阅读
随着计算机和网络的快速发展,信息的爆炸式增长给人们带来人们信息的同时使人们困惑于如何去选择他们想要的信息。面对信息过载问题,由此推荐系统得到了人们广泛关注。推荐系统通过对用户信息包括购物习惯、浏览物品记录、已经购买的物品等信息分析、建模、预测并推荐使用可能感兴趣的物品,帮助用户过滤大部分不关注的内容,并将对用户有利用价值的内容或者感兴趣的信息呈现给用户。在大数据时代,推荐系统是一直是人们关注的热点,近年来一直得到学术研究和商业经济研究人员的广泛关注。在推荐系统的,协同过滤推荐系统是最成功的方法之一,协同过滤技术利用用户群和用户的爱好推荐或者预测用户可能喜欢的物品。协同过滤推荐系统主要有基于内容协同过滤、基于模型协同过滤和混合协同过滤。协同过滤推荐系统处理的是物品和物品、物品和用户以及用户和用户之间的联系,而这之间的联系关系又和网络社区结构的一样,可以通过研究社区检测的方法去探索推荐系统。本文主要是在基于物品的协同过滤推荐系统的基础上研究,引入社区结构模型,并利用社区检测结合基于物品协同过滤推荐系统给用户个性化推荐,主要研究内容如下:(1)对推荐系统的背景、研究现状和几种推荐系统算法的介绍,对网络社区检测的理论和几种常见的网络社区检测的算法介绍。(2)在基于物品协同过滤推荐系统的背景下,将社区检测的方法和基于物品协同过滤结合运用于推荐系统的方法。物品之间的相互联系,其结构模型构成了社区结构模型,通过社区检测对物品结构的分析,获取物品之间的信息,这将让我们更好的为用户推荐。(3)提出了最近邻个体的选择协同过滤推荐系统的方法。在传统的推荐系统中,最近邻的选择一般采用KNN思想,然而KNN存在着自由的缺点和不足。在社区结构中,KNN算法的K值是固定值,而真实的网络结构中K值是可能变化的,而不是固定的常量。最近邻协同过滤推荐系统的提出,社区结构更加灵活,使社区结构模型更加适用于在推荐系统的研究,在一定的程度上提升了推荐系统的预测准确度。