【摘要】：隨著推薦系統(tǒng)越來(lái)越追求個(gè)性化,傳統(tǒng)的協(xié)同過濾推薦將物品的評(píng)分作為用戶喜好的依據(jù)進(jìn)行推薦,這種方式未能充分考慮用戶自身的特征,對(duì)用戶興趣度量不準(zhǔn)確,因此不能完全滿足用戶的個(gè)性化服務(wù)需求。自古以來(lái),中國(guó)的飲食文化博大精深,而且具有很大的地域差異,每個(gè)人的飲食口味會(huì)受到出身地或者生活環(huán)境的影響,對(duì)餐廳的選擇不僅局限于自身的消費(fèi)能力,而是對(duì)餐廳的口味、環(huán)境、服務(wù)水平等都提出更高層次的要求。本文結(jié)合用戶的特征,利用貝葉斯分類器構(gòu)建了用戶飲食興趣模型,根據(jù)用戶的飲食口味對(duì)周邊范圍內(nèi)的餐廳進(jìn)行協(xié)同過濾推薦。文中以樸素貝葉斯統(tǒng)計(jì)學(xué)方法論和基于物品的協(xié)同過濾為推薦的算法基礎(chǔ),在訓(xùn)練集上生成用戶餐飲推薦模型,最后利用測(cè)試集進(jìn)行了驗(yàn)證和評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)基于物品的協(xié)同過濾算法相比,本文提出的方法在推薦的準(zhǔn)確度、冷啟動(dòng)和算法效率上有較大改進(jìn)和提升。本文主要從以下幾個(gè)方面展開了研究工作:(1)綜合分析了個(gè)性化推薦的應(yīng)用現(xiàn)狀及其存在的問題,結(jié)合餐飲位置服務(wù)的推薦,明確提出了本文研究的內(nèi)容和目標(biāo)。(2)深入研究了協(xié)同過濾算法的分類及原理,對(duì)比分析現(xiàn)有算法的不足并總結(jié)了未來(lái)的研究趨勢(shì)。(3)將貝葉斯決策論引入推薦算法中,以互信息和信息熵作為特征間影響因子,在樸素貝葉斯分類上進(jìn)行改進(jìn),建立用戶飲食興趣模型。(4)結(jié)合大眾點(diǎn)評(píng)網(wǎng)的評(píng)論數(shù)據(jù)進(jìn)行實(shí)驗(yàn)設(shè)計(jì)。在用戶飲食偏好模型的基礎(chǔ)上,選取用戶周邊范圍內(nèi)符合用戶口味的餐廳評(píng)分?jǐn)?shù)據(jù),訓(xùn)練生成飲食推薦系統(tǒng),以評(píng)分較高的前Top-N個(gè)餐廳為推薦結(jié)果,將它們的位置信息推送給用戶。(5)利用推薦系統(tǒng)的評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果的準(zhǔn)確率、分類準(zhǔn)確性以及算法的執(zhí)行效率進(jìn)行評(píng)價(jià),分析其是否符合預(yù)期的目標(biāo)以及存在的不足之處。
[Abstract]:With the increasing pursuit of individualization in recommendation systems, the traditional collaborative filtering recommendations recommend items as the basis of user preferences. This method fails to fully consider the characteristics of users, and the measurement of interest to users is not accurate. Therefore, it can not fully meet the user's personalized service needs. Since ancient times, Chinese food culture has been extensive and profound, and there are great regional differences. Everyone's diet taste will be affected by their origin or living environment. The choice of restaurants is not limited to their own consumption ability. But to the restaurant's taste, environment, service level and so on puts forward the higher level request. According to the characteristics of the users, this paper constructs a model of users' food interest by using Bayesian classifier, and makes collaborative filtering and recommendation according to the food taste of the users. Based on the naive Bayesian statistical methodology and the collaborative filtering based on articles, this paper generates the user dining recommendation model on the training set, and finally uses the test set to verify and evaluate it. The experimental results show that compared with the traditional collaborative filtering algorithm based on articles, the proposed method improves the accuracy, cold start and efficiency of the proposed algorithm. This paper mainly from the following several aspects of the research work: (1) the comprehensive analysis of the status quo of personalized recommendation and its existing problems, combined with the recommendation of catering location service, The contents and objectives of this paper are clearly put forward. (2) the classification and principle of collaborative filtering algorithms are deeply studied, the shortcomings of existing algorithms are compared and analyzed, and the future research trends are summarized. (3) Bayesian decision theory is introduced into recommendation algorithms. Taking mutual information and information entropy as the influencing factors between features, we improve the classification of naive Bayes and establish the model of users' dietary interest. (4) based on the comment data of Dianping net, the experimental design is carried out. On the basis of the food preference model, the food recommendation system was generated by selecting the restaurant rating data in the surrounding area of the user, and taking the former Top-N restaurants with higher score as the recommended results. Their location information is pushed to the user. (5) the accuracy of the experimental results, the accuracy of classification and the efficiency of the algorithm are evaluated by using the evaluation index of the recommendation system.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊風(fēng)召;;一種基于特征表的協(xié)同過濾算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

2 王嵐;翟正軍;;基于時(shí)間加權(quán)的協(xié)同過濾算法[J];計(jì)算機(jī)應(yīng)用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導(dǎo)購(gòu)系統(tǒng)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年02期

4 張富國(guó);;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計(jì)算機(jī)系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評(píng)分矩陣的協(xié)同過濾算法[J];西安電子科技大學(xué)學(xué)報(bào);2009年04期

6 廖新考;;基于用戶特征和項(xiàng)目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 沈磊;周一民;李舟軍;;基于心理學(xué)模型的協(xié)同過濾推薦方法[J];計(jì)算機(jī)工程;2010年20期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進(jìn)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計(jì)算機(jī)信息;2011年11期

10 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術(shù)的個(gè)性化網(wǎng)絡(luò)教學(xué)平臺(tái)研究[J];科技風(fēng);2012年06期

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場(chǎng)景的協(xié)同過濾推薦算法[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國(guó);姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動(dòng)問題的方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 紀(jì)科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過濾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

5 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

6 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機(jī)研究[D];上海交通大學(xué);2011年

7 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)制研究[D];天津大學(xué);2012年

8 高e，

本文編號(hào)：2234364