论文部分内容阅读
随着信息时代的发展，推荐系统面临着数据的非实时性、稀疏性和冷启动性等问题。本文通过对推荐系统深入的研究，利用传统推荐算法进行相应改进，构建了一种动态时间的个性化推荐模型，意在解决推荐系统所面临的挑战。最后，通过实验验证，改进的算法模型在性能和可靠性上优于传统推荐算法。 本文主要研究内容如下: (1)针对用户偏好评分数据的非实时性，本文引入遗忘曲线来追踪用户偏好情况随时间而变化，准确的调整用户偏好信息，使用推荐算法对用户进行个性化推荐，构建了DT-CF推荐算法。 (2)针对数据的稀疏性与海量化等问题，本文提出了一种改进的KM-CF推荐算法。改进了K-Means算法的初始中心点选取的问题，利用改进的K-Means聚类算法对用户进行聚类处理，构造用户社区分类簇，再通过推荐算法对用户进行个性化推荐。通过实验验证，对用户集进行聚类处理后，可以有效缓解了数据稀疏性问题，并降低了系统计算的复杂性，提高推荐效率。 (3)针对传统推荐系统面临的多样性问题，本文提出了一种对传统推荐算法改进的混合HH-CF算法。利用物质扩散算法和热传导算法计算出资源间的相对权重值，通过权重值对KM-CF算法得到预测值进行优化调整。通过实验验证，使用该算法模型计算，可以得到更加准确、有效的推荐结果，能够有效地提高推荐质量。