摘要本文主要就个性化推荐算法进行编程实现并且缓解数据稀疏性以提高算法性能。随着网络的不断发展和信息的不断快速增长，其中一个最大的挑战就是如何确保信息能够准确快速地传达给消费者，而个性化推荐是提高用户满意度的实质性方法。推荐技术在电子商务和其他基于Web的服务领域是非常重要的。其中一个主要的困难是评分矩阵的数据稀疏性对推荐算法结果的准确性造成了很大程度上的影响。在本文中，编程实现了基于稀疏数据上动态个性化推荐算法，此算法主要是通过整合最优综合均值法来填补稀疏矩阵，并考虑了用户评分之间的差异性。实验结果表明此算法是有效的。74289

毕业论文关键词  动态推荐，协同过滤，数据稀疏

毕业设计说明书外文摘要

Title    Dynamic Personalized Recommendation on Sparse Data   

Abstract The main topic of this paper is to use one algorithm of dynamically recommendation on sparse data。 With the continuous and rapid development of information, one of the biggest challenges is how to ensure information quickly and accurately convey to consumers。But personalized recommendation is the effective method to improve user’s satisfaction 。 Recommendation technology is very important in the e-commerce and other Web-based services。 One of the main difficulties is that sparse data  has a great impact on the accuracy of the results of the recommendation algorithm。 Here in this paper, a novel dynamic personalized recommendation algorithm is implemented by programming。 The main method is to fill the sparse matrix by combining the optimal comprehensive mean。 This method has also taken into account the differences between the scores of users。 Lastly, it is proved to be effective。

Keywords  dynamic recommendation, collaborative filtering, sparse data

目   次

1 引言 1

1。1目的 1

1。2  背景 1

1。3 概述 2

2  推荐系统及推荐算法介绍 3

2。1 推荐系统的概念和定义 3

2。1。1什么是推荐系统 3

2。1。2个性化推荐系统的应用 3

2。2 协同过滤 5

2。2。1 用户行为数据 5

2。2。2 用户行为分析 6

2。2。3 基于用户的协同过滤算法(User-CF) 6

2。2。4 基于物品的协同过滤Item-CF 9

2。3 综合均值优化填充方法 9

2。4 基于矩阵分解的推荐算法 11

3 算法评估指标 12

3。1平均绝对误差MAE 12

3。2  均方根误差RMSE 12

3。3 非对称损失计算Asymmetric Measures 13

3。4  半衰期效用指标HLU 13

3。5规范化折扣累计利润NDCG 14

3。6 Spearman相关距离 14

3。7肯德尔距离(Kendall’s Tau Distance) 14

3。8  平均准确率Avgp