导读:本文包含了冷启动推荐论文开题报告文献综述及选题提纲参考文献，主要关键词:冷启动,协同过滤,k-means用户聚类,相似度计算优化
冷启动推荐论文文献综述
刘璐[1]（2019）在《推荐算法中冷启动问题的研究与实现》一文中研究指出在信息过载的时代背景下,推荐技术可以帮助用户对信息进行有效筛选,协同过滤算法以其效率高、精度准的特点在推荐系统中得到大范围普及。尽管如此,随着推荐系统中的项目和用户数量的快速增长,该算法正面临着严重的冷启动问题,这大大降低了算法本身的推荐效果。因此,为了使推荐算法在冷启动环境下仍能表现出良好的推荐效果,本文对原有的推荐算法进行了改进,改进分为四个方面:一,为解决数据稀疏性会对聚类结果及推荐效果产生影响这一问题,本文基于项目属性间的相似性对评分矩阵进行了预填充,数据稀疏性得以充分缓解。二,针对协同过滤算法中存在的用户冷启动问题,本文引入了用户的人口统计学信息,将用户间的相似度计算公式修改为评分相似性与人口统计学相似性的动态加权,这样系统能够针对不同用户的不同情况对两者所占比重进行动态的调整。当新用户第一次使用推荐系统时,改进的相似度计算公式能够根据用户的人口统计学相似性为新用户寻找最近邻,并产生推荐。叁,针对协同过滤算法中存在的实时性差的问题,本文采用聚类算法对用户进行离线聚类。本文优化了k-mean 算法中初始聚类中心的选取,提高算法的稳定性。然后,使用改进后的聚类算法对用户进行离线聚类,将兴趣爱好相似的用户聚集在同一类别中,当新用户到达推荐系统时,对新用户进行在线的聚类划分。“离线聚类,在线划分”可以有效提高寻找最近邻的效率和推荐系统的实时性。四,针对协同过滤算法推荐种类多样性不高的问题,本文提出了一种新的对流行度较高项目的评分进行分阶段惩罚的方法,以损失最小的推荐精确度换来最大程度上的推荐种类多样性提升。改进后的推荐算法在新用户冷启动环境下可以正常工作,本文使用MovieLens数据集对改进算法进行验证,实验结果表明,该算法可以有效缓解数据稀疏性并解决新用户冷启动问题,同时,相比于其他推荐算法,改进算法在冷启动环境下的推荐精确度有所提高。(本文来源于《北京邮电大学》期刊2019-05-18）
尹世超[2]（2019）在《基于融合属性矩阵分解的冷启动推荐算法研究》一文中研究指出推荐系统旨在帮助用户从海量的信息中挑选出用户感兴趣的信息。它通过历史记录自动挖掘用户的兴趣和喜好,最后为每个用户提供个性化的服务。协同过滤推荐算法在促进服务推荐生态上扮演着重要的角色。然而在实际应用中,协同过滤算法也存在着数据稀疏性、冷启动、迁移性以及是否侵犯用户隐私的问题。其中最为严重也最需要解决的问题就是冷启动问题。冷启动问题分为叁种,分别是用户冷启动问题,项目冷启动问题以及系统冷启动问题。利用项目和用户的信息通常是解决冷启动问题的有效方法。对于项目冷启动而言,有效的利用项目的属性信息是有效解决该问题的方法之一。然而对于用户冷启动问题,由于隐私泄露的日益严重,用户越来越在乎个人的隐私,所以利用用户的个人信息作为解决冷启动问题的解决方案往往是行不通的。协同过滤在促进服务推荐生态系统上发挥着重要的功效,其中矩阵分解技术更是被证明是最有效的推荐方法之一。本文针对推荐系统中所存在的项目冷启动问题和用户冷启动给问题分别提出了解决方法。对于新项目的冷启动问题,本文提出了一种融合项目属性的相似度计算方法,利用该方法来预测用户对新服务的偏好,将预测出来的偏好与矩阵分解模型进行结合,最后利用模型来预测用户对新用户的评分。对于新用户的冷启动推荐,本文从位置信息入手,结合霍夫斯泰德文化维度理论来计算新用户的文化距离,通过文化距离与矩阵分解模型经行动态结合,最终完成对新用户进行服务的推荐。本文的主要贡献如下:(1)针对新项目的冷启动问题,本文采用项目的属性信息来代替传统的评分信息进行相似度计算,利用当前用户的历史记录信息来发掘用户的偏好,通过用户的偏好信息与项目的属性进行初步匹配,然后将匹配结果融入到矩阵分解模型,利用训练产生的模型完成对新项目的推荐。在计算用户偏好过程中,考虑到用户的偏好可能随着时间的推移而改变,本文还引入了时间惩罚因子,用来降低用户久远历史记录所计算出来的偏好的权重。(2)针对新用户的冷启动问题,本文在不侵犯用户隐私的情况下,利用用户的位置信息,计算得出用户和服务的文化距离。通过对启发性服务的寻找,来完成对新用户的初步预测。将初步预测的结果与矩阵分解技术动态的融合,通过对训练集的拟合完成对模型参数的更新。利用训练出的最终模型完成对新用户的预测。(3)通过在真实数据集上面的大量实验可以证明:对于新项目的冷启动问题,我们的方法在准确性、可扩展性以及解决数据稀疏性上面都明显优于对比方法;对于新用户的冷启动问题,本文采用的方法在不侵犯用户隐私的情况下能够精确的完成对冷启动用户的推荐,同时在数据稀疏性环境下也能取得十分优异的推荐效果。(本文来源于《安徽大学》期刊2019-03-01）
于洋[3]（2019）在《商品推荐系统中冷启动问题的研究及实现》一文中研究指出本文首先介绍了个性化推荐系统(Recommendation System,以下简称RS),介绍了协同过滤推荐算法及其局限性。接下来,针对基于物品的协同过滤(Item-CF)和基于用户的协同过滤算法(User-CF)实现算法改进。最后在实际需求的驱动下,把改进后的算法应用到基于微信小程序的商品推荐系统中。论文主要工作有以下几个方面:1.分析了Item-CF在新物品冷启动中出现的问题,提出结合用户历史偏好信息和新物品的相似物品集的方法来预测用户偏好并向用户推荐新物品。由于该方法结合了用户的历史记录和物品的特征信息,能够使新物品冷启动问题得到有效解决。2.对相似度度量方法进行改进,在物品的每个特征中加入权值。而权重因子大小是通过计算物品的每个特征对用户的不确定性来确定。物品对用户的不确定性应用信息论中的信息熵来计算,在信息熵中通过对物品特征进行量化,来计算物品特征的不确定性。在个性化推荐系统中,物品某个特征的不确定性越小,说明该物品特征对于用户的重要性越高。此方法为相似度计算提供更有效的解决方案,并且能够为商品找到更为合理的相似物品集。3.针对User-CF的时间瓶颈、扩展性以及准确性的问题,采用结合用户聚类和特征获取的方法进行用户冷启动推荐。在聚类过程中,由于新用户缺乏评分信息,考虑使用用户特征属性因素。当新用户进入系统时,对用户进行建模并通过用户间的特征属性相似性为新用户找到最近邻集合进而使用K-means聚类方法聚类。在计算商品平均得分时,提出加入评分尺度这一概念,使分数更加客观合理。4.本文采用的实验数据集为微店实际销售数据集Istores。根据实验结果:本文的两种改进算法能够很好的解决冷启动问题,在准确率方面也有所提高。(本文来源于《天津理工大学》期刊2019-03-01）
何利,胡飘[4]（2018）在《基于用户多维度信任的冷启动推荐模型》一文中研究指出在传统协同过滤(collaborative filtering,CF)算法中存在着用户冷启动低效推荐问题,基于社交信息的社会化推荐算法通过引入用户的社交关系来缓解冷用户的数据稀疏问题,具有很好的研究应用前景。但该算法对用户间的信任度量较为片面单一而难以准确地对冷用户做出个性化推荐。针对此缺点,从不同维度量化分析了影响用户信任的因素,理论推导出用户多维度信任度量模型,将该模型计算得到的用户综合信任与传统协同过滤中的用户评分相似度值进行有效线性融合,提出了一种基于用户多维度信任的冷启动推荐模型。通过使用真实数据集Epinions并采用留一法进行实验对比分析。实验结果表明,提出的模型在对冷启动用户的推荐中,其平均绝对误差(mean absolute error,MAE)、覆盖率(rating coverage,RC)和F1值(F-measure) 3个评估指标相比其他算法有了明显改善。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2018年06期）
刘春霞,陆建波,武玲梅[5]（2018）在《一种电影推荐模型:解决冷启动问题》一文中研究指出推荐系统数据库的评分数据稀少,对电影推荐的质量有所限制。为解决这个问题,提出一种同时将用户和电影元数据纳入改进的隐语义模型的模型。构造用户元数据-分类矩阵与电影元数据-分类矩阵,将分类域与隐因子空间进行映射,以此获取新用户与新电影的隐因子,进行推荐。实验结果表明,这种模型在提高预测准确率的同时,有效地解决了冷启动问题。(本文来源于《计算机与现代化》期刊2018年11期）
乔雨[6]（2018）在《面向冷启动问题的推荐算法研究》一文中研究指出互联网技术的飞速发展使得信息呈爆炸式增长,如何从超载的信息中获得所需信息成为了急需解决的问题,而解决这一问题的代表性方案就是推荐系统。推荐系统将用户和信息连接起来,一方面帮助用户快速定位自己需要的信息,另一方面又能够让信息展示在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。推荐系统包含的算法有很多,协同过滤推荐算法是其中的经典算法。由于推荐算法都需要基于非常多的用户和项目信息才能产生准确的推荐,因此当数据规模不能满足推荐系统的需求时,就会因数据稀疏性而导致推荐系统的冷启动问题。冷启动问题会使得推荐算法的推荐准确度大幅下降,从而直接影响用户的体验和对推荐系统的信任程度。目前冷启动问题已经成为推荐技术领域研究的重点。本文针对因数据稀疏性导致的冷启动问题进行研究,主要工作分为两个方面:冷启动问题的检测和冷启动问题的解决。针对冷启动问题的检测,设计了基于状态检测的“情景开关”方法,用于检测系统中用户和项目的状态,以便根据检测出的状态选择合适的处理算法;并通过实验证明该方法对冷启动问题有一定的检测准确度和预处理效果。针对冷启动问题的解决,分别设计了对应于协同过滤推荐系统和上下文情景推荐系统的改进算法:融合用户相似度与评分信息的协同过滤算法(Collaborative Filtering Algorithm Based on User Similarity and Rating Information,SR-CF)和基于因子分解机的上下文推荐算法(Context Recommendation Algorithm Based on Factorization Machines,FMs)。SR-CF算法将用户评分相似度改进为结合用户基本信息相似度、种子集评分相似度和评分信息相似度的混合相似度,通过加权求和的方式求出用户之间的综合相似度;FMs算法在多项式回归算法的基础上运用了因子分解机,通过将特征之间的相互作用进行因子分解,从而降低算法的复杂度。针对这两种改进的算法设计了相关实验,实验结果表明改进后的算法在准确度和时间复杂度方面都有明显的改善。本文所设计的算法不仅缓解了冷启动问题带来的负面影响,而且对推荐准确度和推荐效率都有所改善,研究工作具有一定的理论性和实用价值。(本文来源于《南京邮电大学》期刊2018-11-14）
陈妍,洪蕾,李广水,刘佳玮[7]（2018）在《关于推荐系统中冷启动问题的研究》一文中研究指出协同过滤算法是推荐系统中的核心算法,冷启动问题是该算法中需要解决的难题。本文将围绕不同的冷启动问题进行展开讨论,对于解决冷启动的方法进行有缺点的阐述。(本文来源于《中国高新区》期刊2018年14期）
毛明松,张富国[8]（2019）在《基于多重图排序的用户冷启动推荐方法》一文中研究指出为使用户-物品评分、社会网络和社会化标签等异构信息融合到协同过滤推荐方法的最近邻寻找过程中,弥补冷启动用户单一维度信息的不足,提出一种多重图排序的冷启动推荐方法。通过分析用户之间可能存在的信任度构建关系网络,利用多重图排序模型得到目标用户的最近邻集合,进而产生目标用户的推荐列表。实验结果表明,与基于用户的协同过滤推荐方法相比,该方法能有效地提高冷启动用户的个性化推荐准确性和推荐覆盖率。(本文来源于《计算机工程》期刊2019年05期）
吴婷[9]（2018）在《融合辅助文本信息的项目冷启动推荐研究》一文中研究指出传统的推荐系统主要通过用户、项目的历史交互信息来学习用户、项目的特征信息,从而实现推荐。但是对于刚进入市场的新项目,因为没有或缺乏足够的历史记录,使得传统推荐系统的推荐性能受到局限,这便是经典的项目冷启动问题。在经典的矩阵分解算法基础上,进一步融合使用卷积神经网络提取的文本信息,提出两个针对不同项目冷启动情况的推荐系统,有效缓解项目冷启动问题。在一个真实的电影推荐数据集上的实验结果证明,所提出的推荐算法具有更优异的推荐性能。(本文来源于《现代计算机(专业版)》期刊2018年13期）
黄晓琴[10]（2018）在《基于理性行为理论的推荐模型及其项目冷启动问题研究》一文中研究指出在信息过载的时代背景之下,如何帮助用户从海量的信息中寻找符合其兴趣的内容以及帮助信息发布者把信息推送给感兴趣的用户成为亟待解决的问题。作为联系用户和物品的推荐系统,在一定程度上有效地解决了这个问题。目前,推荐系统已经被成功应用到电影、视频、音乐、图书、新闻等各个领域。正是由于其巨大的商业价值,推荐系统得到了工业界和学术界的广泛关注。但是目前的推荐系统主要是通过预测用户对物品的喜好进行推荐。而在现实生活中更具价值的是用户的实际行为而不仅仅是用户的喜好,用户的喜欢并不总能转化为用户的实际行动。为了通过直接预测用户的行为来进行推荐,在理性行为理论思想的指导下,本文提出了基于理性行为理论的推荐模型TRARM。理性行为理论表明用户的行为由行为意向决定,而行为意向受到态度和主观规范的影响。其中态度表示人们自己对行为所持有的情感倾向,而主观规范代表对其有着重要影响的他人就其从事某一行为的看法。TRARM将用户偏好作为态度,将近邻用户的喜好和评价作为主观规范,并综合它们预测用户的行为意向,从而进行推荐。另外,为了解决项目冷启动问题,本文提出了基于网络特征学习的项目冷启动推荐算法NRLCS。NRLCS通过DeepWalk在物品及其属性构建的图中学习物品节点的向量表示,然后利用这些向量得到用户的向量表示,进而使用物品向量与用户向量的相似程度产生推荐列表。抽样调查与MovieLens数据集上的实验结果表明,TRARM相较于一般通过预测用户偏好进行推荐的方法能够取得更好的结果。同时,经过实验分析后发现NRLCS能够在不用收集额外数据的前提下,更好地解决项目冷启动问题。(本文来源于《厦门大学》期刊2018-05-01）
冷启动推荐论文开题报告
（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：
推荐系统旨在帮助用户从海量的信息中挑选出用户感兴趣的信息。它通过历史记录自动挖掘用户的兴趣和喜好,最后为每个用户提供个性化的服务。协同过滤推荐算法在促进服务推荐生态上扮演着重要的角色。然而在实际应用中,协同过滤算法也存在着数据稀疏性、冷启动、迁移性以及是否侵犯用户隐私的问题。其中最为严重也最需要解决的问题就是冷启动问题。冷启动问题分为叁种,分别是用户冷启动问题,项目冷启动问题以及系统冷启动问题。利用项目和用户的信息通常是解决冷启动问题的有效方法。对于项目冷启动而言,有效的利用项目的属性信息是有效解决该问题的方法之一。然而对于用户冷启动问题,由于隐私泄露的日益严重,用户越来越在乎个人的隐私,所以利用用户的个人信息作为解决冷启动问题的解决方案往往是行不通的。协同过滤在促进服务推荐生态系统上发挥着重要的功效,其中矩阵分解技术更是被证明是最有效的推荐方法之一。本文针对推荐系统中所存在的项目冷启动问题和用户冷启动给问题分别提出了解决方法。对于新项目的冷启动问题,本文提出了一种融合项目属性的相似度计算方法,利用该方法来预测用户对新服务的偏好,将预测出来的偏好与矩阵分解模型进行结合,最后利用模型来预测用户对新用户的评分。对于新用户的冷启动推荐,本文从位置信息入手,结合霍夫斯泰德文化维度理论来计算新用户的文化距离,通过文化距离与矩阵分解模型经行动态结合,最终完成对新用户进行服务的推荐。本文的主要贡献如下:(1)针对新项目的冷启动问题,本文采用项目的属性信息来代替传统的评分信息进行相似度计算,利用当前用户的历史记录信息来发掘用户的偏好,通过用户的偏好信息与项目的属性进行初步匹配,然后将匹配结果融入到矩阵分解模型,利用训练产生的模型完成对新项目的推荐。在计算用户偏好过程中,考虑到用户的偏好可能随着时间的推移而改变,本文还引入了时间惩罚因子,用来降低用户久远历史记录所计算出来的偏好的权重。(2)针对新用户的冷启动问题,本文在不侵犯用户隐私的情况下,利用用户的位置信息,计算得出用户和服务的文化距离。通过对启发性服务的寻找,来完成对新用户的初步预测。将初步预测的结果与矩阵分解技术动态的融合,通过对训练集的拟合完成对模型参数的更新。利用训练出的最终模型完成对新用户的预测。(3)通过在真实数据集上面的大量实验可以证明:对于新项目的冷启动问题,我们的方法在准确性、可扩展性以及解决数据稀疏性上面都明显优于对比方法;对于新用户的冷启动问题,本文采用的方法在不侵犯用户隐私的情况下能够精确的完成对冷启动用户的推荐,同时在数据稀疏性环境下也能取得十分优异的推荐效果。
（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。
冷启动推荐论文参考文献
[1].刘璐.推荐算法中冷启动问题的研究与实现[D].北京邮电大学.2019
[2].尹世超.基于融合属性矩阵分解的冷启动推荐算法研究[D].安徽大学.2019
[3].于洋.商品推荐系统中冷启动问题的研究及实现[D].天津理工大学.2019
[4].何利,胡飘.基于用户多维度信任的冷启动推荐模型[J].重庆邮电大学学报(自然科学版).2018
[5].刘春霞,陆建波,武玲梅.一种电影推荐模型:解决冷启动问题[J].计算机与现代化.2018
[6].乔雨.面向冷启动问题的推荐算法研究[D].南京邮电大学.2018
[7].陈妍,洪蕾,李广水,刘佳玮.关于推荐系统中冷启动问题的研究[J].中国高新区.2018
[8].毛明松,张富国.基于多重图排序的用户冷启动推荐方法[J].计算机工程.2019
[9].吴婷.融合辅助文本信息的项目冷启动推荐研究[J].现代计算机(专业版).2018
[10].黄晓琴.基于理性行为理论的推荐模型及其项目冷启动问题研究[D].厦门大学.2018
标签：冷启动; 协同过滤; k-means用户聚类; 相似度计算优化;