导读:本文包含了聚类过滤论文开题报告文献综述及选题提纲参考文献，主要关键词:推荐系统,协同过滤,二分图划分联合聚类,簇偏好相似性
聚类过滤论文文献综述
黄乐乐,马慧芳,李宁,余丽[1]（2019）在《基于二分图划分联合聚类的协同过滤推荐算法》一文中研究指出准确而积极地向用户提供他们可能感兴趣的信息或服务是推荐系统的主要任务。协同过滤是采用得最广泛的推荐算法之一,而数据稀疏的问题往往严重影响推荐质量。为了解决这个问题,提出了基于二分图划分联合聚类的协同过滤推荐算法。首先将用户与项目构建成二分图进行联合聚类,从而映射到低维潜在特征空间;其次根据聚类结果改进2种相似性计算策略:簇偏好相似性和评分相似性,并将二者相结合。基于结合的相似性,分别采用基于用户和项目的方法来获得对未知目标评分的预测。最后,将这些预测结果进行融合。实验结果表明,所提算法比最新的联合聚类协同过滤推荐算法具有更好的性能。(本文来源于《计算机工程与科学》期刊2019年11期）
赵恩毅,王瑞刚[2]（2019）在《基于Hadoop平台的聚类协同过滤推荐方法研究》一文中研究指出为了改善在大数据环境下协同过滤推荐算法的性能问题,通过Hadoop平台下的MapReduce编程模型,提出一种基于改进K-means聚类的协同过滤推荐算法。在分布式环境下对高维数据采用矩阵分解进行预处理,改善数据稀疏性之后构建改进聚类模型,再利用聚类模型结合协同过滤算法形成推荐候选空间完成推荐。经实验验证,该方法不仅提升了算法的运行速率以及推荐精度,而且能够有效解决数据的稀疏性和算法的可扩展性问题。(本文来源于《计算机与数字工程》期刊2019年10期）
曹银,李伟[3]（2019）在《基于信任和图聚类的协同过滤推荐算法》一文中研究指出推荐系统的作用是为用户提供个性化的建议或服务,从而帮助用户在大量数据中快速找到感兴趣的项目。在现有的推荐算法中,基于模型的协同过滤推荐算法是推荐系统中一种重要且被广泛使用的方法,它可以解决推荐系统中的冷启动和数据稀疏等部分问题。文中对传统的协同过滤算法进行了改进,将组合了信任信息和图聚类算法的协同过滤技术应用在推荐系统。该方法首先将用户/项目信息表示为图形,然后在图形上使用近似最密集子图查找算法来找到初始集群中心,接着应用迭代方法来更新集群中心直到合并集群。最后将找到的集群作为邻居,对未知项目预测评级并向活跃的用户推荐前N项。在不同的数据集中,对比不同聚类方法的评估结果来表明所改进的方法优于其它推荐方法。(本文来源于《信息技术》期刊2019年10期）
韩浩先,叶春明[4]（2019）在《基于聚类变分自编码器的协同过滤算法》一文中研究指出针对协同过滤推荐模型的数据稀疏性问题,提出一种带有聚类隐变量的变分自编码器,用于处理用户的隐式反馈数据.该深度生成模型既能学习到隐变量的特征分布,同时又能完成对特征的聚类.先以多项式似然来重构原始数据,再用贝叶斯变分推断估计参数,并且将正则化系数引入到模型当中,通过调节其大小能够避免过度正则化,使模型的拟合效果更好.这种非线性的概率模型对缺失评分的预测有更好的建模能力.在MovieLens的叁个数据集上的实验结果表明,该算法相比较于其他先进的基线有更优秀的推荐性能.(本文来源于《计算机系统应用》期刊2019年09期）
田继伟,王劲松,石凯,薛玉岱,岳欣[5]（2019）在《基于聚类和时间权重的协同过滤位置预测算法》一文中研究指出校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.(本文来源于《天津理工大学学报》期刊2019年03期）
盛先锋[6]（2019）在《基于聚类优化的数字图书馆协同过滤个性化推荐服务研究》一文中研究指出随着近年来计算机技术快速发展,数字图书馆有必要基于聚类优化对多种文献数据资源协同过滤,面向用户提供个性化推荐服务,以提高服务效率。文章在介绍聚类优化概念及含义的基础上,分析了数字图书馆协同过滤个性化推荐服务的优势,包括优化图书馆数字信息服务机制、为用户提供优质文献资源、提高数字资源利用率等。探究了协同过滤个性化推荐服务模式,包括个性化定制服务、个性化推送服务、数据挖掘与决策服务。最后归纳出数字图书馆协同过滤个性化推荐服务构建策略,即利用智能搜索技术、精确搜索资源,应用数据挖掘技术、挖掘数字信息价值,优化聚类算法、制定精准服务方案,完善系统平台、构建资源过滤服务机制。(本文来源于《中国中医药图书情报杂志》期刊2019年03期）
李艳娟,牛梦婷,李林辉[7]（2019）在《基于蜂群K-means聚类模型的协同过滤推荐算法》一文中研究指出针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。(本文来源于《计算机工程与科学》期刊2019年06期）
张雨[8]（2019）在《融合用户聚类和协同过滤的新闻推荐系统设计与实现》一文中研究指出自二十一世纪以来,互联网的飞速发展,给人们的生活带来很多便利。大数据时代到来,以自媒体的形式产生了大量数据并由大量用户进行传播,给用户提供了丰富的资源信息,人们获取资源信息已经从传统的报纸、广播等媒介,转向从网络中获取自己需要的资源信息,在网络上阅读在线新闻非常便捷,因此成为人们获取信息的一个重要来源,与此同时也带来了许多问题。海量的新闻资源使用户难以在大量的新闻数据中获取到所需要的新闻信息,这就造成了信息过载的问题。另一方面很多用户在浏览新闻时,并没有明确的新闻信息指向,无法快速获取有效信息。因此,在大量的新闻数据中收集真实准确的新闻,并根据用户的潜在兴趣对其做出相应的新闻推荐,满足用户的需求,并可以带来巨大的社会和经济价值。本文以融合用户聚类和协同过滤的新闻推荐系统设计与实现为研究课题,主要研究内容如下:(1)研究课题背景及意义,对本文涉及到的相关理论和技术进行研究,主要包括数据采集技术、聚类算法以及推荐技术。(2)在相关理论技术的基础上,研究融合用户聚类和协同过滤的新闻推荐技术。本文针对推荐系统中存在的冷启动、数据稀疏等问题,采用融合聚类的推荐技术,在现有的改进聚类的推荐技术基础上,加入对新用户的推荐策略,分别从不同的用户角度采用不同的方法进行推荐。新用户根据注册信息进行聚类,然后进行协同过滤推荐;老用户根据历史行为聚类后再进行推荐。此算法与传统的算法对比,具有较好的推荐效果。(3)对系统整体功能及每一个模块进行分析与设计,其中系统的功能模块包括新闻数据采集模块、用户聚类模块、新闻推荐展示模块。新闻数据采集模块使用Scrapy爬虫框架进行数据采集,爬取各大新闻网站数据并以结构化形式存储到数据库中;用户聚类模块,针对系统新老用户采用不同聚类;新闻推荐模块,在用户聚类后,在所属类别中使用协同过滤推荐算法,生成新闻推荐。(4)实现融合用户聚类和协同过滤的新闻推荐系统,对系统的功能与性能进行测试,经测试本系统功能完善,可以快速高效的定时采集新闻数据,并对不同的用户进行准确的新闻推荐。(本文来源于《山东师范大学》期刊2019-06-10）
孙楠[9]（2019）在《基于聚类的协同过滤算法研究》一文中研究指出协同过滤算法存在的冷启动问题,难以针对用户偏好做出个性化推荐,导致用户流失;存在的数据稀疏问题导致计算用户或项目间相似度的不准确性,降低了推荐精度;存在的扩展性问题导致计算最近邻居时搜索空间庞大,消耗大量的时间。为了缓解协同过滤存在的问题所带来的影响,本文针对存在的数据稀疏和扩展性问题做了以下工作:针对算法存在的数据稀疏问题,本文依据预估值填充的思想,采用了加权Slope One算法对评分矩阵空缺处进行填充。计算项目类型矩阵中类型相似度和项目评分矩阵中项目相似度,将两者通过参数进行线性组合得到最终的项目相似度,相似度高的前M个作为邻居项目,通过加权Slope One算法对待评分项目进行预估值,并填入用户评分矩阵。引入项目类型相似,可以避免相似度低的项目的干扰,提高预估值的准确性。针对算法存在的扩展性问题,本文引入了聚类的思想。根据评分矩阵获取用户已评分项目数量和评分值;再根据项目类型矩阵获取已评分项目类型;通过计算感兴趣程度提取用户偏好模型,利用优化聚类中心的k-means算法进行用户聚类;计算目标用户与聚类中心点的距离,找到所在的簇,簇中的点作为邻居用户。再结合已填充评分矩阵,利用改进的公式计算目标用户与邻居用户的相似度和预测评分。聚类可以缩小目标用户的搜索空间和降低算法的时间复杂度,进而改善系统的扩展性问题。本文基于MovieLens数据集,对基于项目类型相似加权Slope One算法预测模块在协同过滤中的有效性以及本文算法与其他算法推荐精度的比较两个模块进行实验验证。实验结果证明本文提出的对算法的优化是有效可行的,提高了算法预测的准确度和推荐的质量。(本文来源于《南昌大学》期刊2019-05-26）
任丽芳,陈叁丽[10]（2019）在《一种基于聚类的服务QoS值协同过滤预测方法》一文中研究指出现有的服务QoS(quality of service,服务质量)值预测方法通常是基于近邻的协同过滤,其中的近邻个数K对于所有用户/服务都是固定的。如果K值太小则损失一部分相似信息,而如果K值太大则会将不相似信息考虑在内,这两种情况都会降低预测精度。文章提出一种基于聚类的服务QoS预测方法CQoSP(cluster-based QoS prediction),以一种自然的方式确定相似用户/服务的个数。CQoSP首先基于历史QoS记录对用户/服务空间进行聚类,然后基于与目标用户/服务同一类簇的用户/服务QoS数据预测缺失QoS值。真实数据集上的实验结果验证了CQoSP有效提高了服务QoS预测的准备度,与经典方法比较,CQoSP预测结果的平均绝对误差和均方根误差都是最小的。(本文来源于《山西大学学报(自然科学版)》期刊2019年03期）
聚类过滤论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了改善在大数据环境下协同过滤推荐算法的性能问题,通过Hadoop平台下的MapReduce编程模型,提出一种基于改进K-means聚类的协同过滤推荐算法。在分布式环境下对高维数据采用矩阵分解进行预处理,改善数据稀疏性之后构建改进聚类模型,再利用聚类模型结合协同过滤算法形成推荐候选空间完成推荐。经实验验证,该方法不仅提升了算法的运行速率以及推荐精度,而且能够有效解决数据的稀疏性和算法的可扩展性问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
聚类过滤论文参考文献
[1].黄乐乐,马慧芳,李宁,余丽.基于二分图划分联合聚类的协同过滤推荐算法[J].计算机工程与科学.2019
[2].赵恩毅,王瑞刚.基于Hadoop平台的聚类协同过滤推荐方法研究[J].计算机与数字工程.2019
[3].曹银,李伟.基于信任和图聚类的协同过滤推荐算法[J].信息技术.2019
[4].韩浩先,叶春明.基于聚类变分自编码器的协同过滤算法[J].计算机系统应用.2019
[5].田继伟,王劲松,石凯,薛玉岱,岳欣.基于聚类和时间权重的协同过滤位置预测算法[J].天津理工大学学报.2019
[6].盛先锋.基于聚类优化的数字图书馆协同过滤个性化推荐服务研究[J].中国中医药图书情报杂志.2019
[7].李艳娟,牛梦婷,李林辉.基于蜂群K-means聚类模型的协同过滤推荐算法[J].计算机工程与科学.2019
[8].张雨.融合用户聚类和协同过滤的新闻推荐系统设计与实现[D].山东师范大学.2019
[9].孙楠.基于聚类的协同过滤算法研究[D].南昌大学.2019
[10].任丽芳,陈叁丽.一种基于聚类的服务QoS值协同过滤预测方法[J].山西大学学报(自然科学版).2019