文档介绍：西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。,在年解密后适用本授权书;,使用本授权书。(请在以上方框内打“√”)学位论文作者签名:仍、精兑指导老师签名:≯吼历心·乡、-s弋呻万方数据西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下:1、对个性化推荐技术的发展背景、体系结构以及相似度度量方法和推荐性能度量标准进行了深入研究分析。对基于用户的协同过滤推荐和基于项目的协同过滤推荐这两种传统的协同过滤推荐算法的实现原理进行了研究,并分析了它们的缺陷。2、研究分析了SVD推荐算法和基于SVD改进的隐语义模型,针对这两种算法遇到的问题提出了相应的解决方案,使得推荐性能得到进一步的改善。3、利用KNN算法来修正隐语义模型在迭代学****过程中丢失隐含特征信息的问题,进而提出两种基于KNN与隐语义模型的融合推荐算法。实验表明改进的融合算法的推荐精度有了进一步提高。本人郑重声明:所呈交的学位论文,是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体,均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名::-27}万方数据西南交通大学硕士研究生学位论文第1页摘要随着互联网的迅猛发展,网络数据呈现爆炸式的增长,其结构也变得越加复杂,越来越多的信息充斥着网络,人们面临着“信息过载”。以个性化推荐技术为代表的推荐系统能够提供一种有效的机制,使用户可以高效获取需要的信息。协同过滤推荐算法是目前应用最成功的个性化推荐技术,其利用目标用户的相似用户对某一物品的评价,形成该目标用户对此物品的评价预测。然而,随着信息的不断膨胀,协同过滤推荐技术面临着越来越大的挑战。其中,数据稀疏、可扩展、冷启动等是协同过滤面临的主要问题。本文针对协同过滤推荐技术中的数据稀疏性和可扩展性问题,对SVD算法、SVD算法衍生的隐语义模型和传统的协同过滤推荐算法进行了深入的研究。首先,本文对个性化推荐技术的发展背景、体系结构进行了深入研究,其中对相似度度量方法和推荐性能度量标准作详细介绍。深入研究了传统协同过滤推荐算法:基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。对这两种推荐算法的实现原理进行了详细的说明,同时也分析了它们的缺陷。其次,深入研究了基于矩阵分解的SVD推荐算法,着重介绍了算法的实现步骤,并分析了其存在的不足。隐语义模型利用梯度下降法改进了SVD算法,解决了其面临的问题。同时,文章还介绍了其他一些基于SVD改进的算法。最后,由于隐语义模型在迭代学****的过程中丢失部分特征数据,本文利用KNN算法来修正遗失的信息,进而提出了两种基于KNN与隐语义模型的融合推荐算法。将改进的融合推荐算法、隐语义模型和传统的协同过滤推荐算法在数据集上进行试验,并对试验结果进行对比分析,从而验证提出的融合算法的有效性。关键词:个性化推荐;协同过滤;SVD;隐语义模型;,、析tllmoreandmoreinformationwhichmakespeoplefacedwitll“informationoverload”.,whichutilizesthetargetuserssimilarusers’,wimthecontinuousexpansionofinformation,,datasparsity,sealability,,mendational