基于标签聚类和用户模型个性化推荐方法,关于免费聚类论文范文在这里免费下载与阅读,为您的聚类相关论文写作提供资料。
聚类论文参考文献：
〔摘 要〕社会标签系统是Web2.0中提出的概念,旨在更好地表达用户的兴趣和意愿.而标签聚类是社会标签系统的个性化推荐中一个重要的研究课题.本文研究了如何基于标签聚类和用户模型来进行个性化推荐的方法.通过计算标签的相似度进行标签聚类,结合用户模型,根据标签聚类结果做出推荐.通过采用CiteULike公布的数据集进行实验证明,和未采用标签聚类的推荐方法相比,本方法不仅可提高推荐的命中率,优化目标资源的排名,而且能为用户发现更多新的感兴趣的资源.
〔关键词〕社会化网络；社会标签系统；标签聚类；用户模型；个性化推荐
〔中图分类号〕G250.73 〔文献标识码〕A 〔文章编号〕1008-0821（2016）06-0074-05
〔Abstract〕Social tag system is a new concept proposed in Web2.0 to express users interest more clearly.And tag clustering is an important research topic in personalized recommendation.This paper proposed a personalized recommendation method based on tag clustering and user model.Tag clustering was realized by calculating similarity between tags and made recommendations according to tag clustering results.Experiment results using CiteULike data set show,proposed method which could improve the recommendation hit ratio compared with general recommendation algorithm,optimize ranking of objective resources,and help users to discover new resources easier.
〔Key words〕social networks；social tag system；tag clustering；user model；personalized recommendation
在Web2.0时代,用户不仅是内容的浏览者,同时也是内容的创造者.由于网络信息的爆炸式增长,用户常常在海量信息中无法快速找到自己需要的资源.目前,大多数Web2.0网站都提供了社会标签系统,例如：Delicious,Last.fm,Flickr,CiteULike以及豆瓣网等.在这些网站中,用户可以按照自己的理解,自由地用标签对自己感兴趣的资源进行标注.同时,用户还可以根据标签对资源进行访问,并且可以利用对自己感兴趣的其他人所做的标签去发现一些自己感兴趣的新资源.用户在标注资源时所使用的标签既反映了用户自身的兴趣爱好,又反映了资源的特点.作为联系用户和资源的纽带,标签是反映用户数据的重要数据源.因此可以利用用户在标注资源时所使用的标签为用户推荐其所需要的资源.
但是传统的协同过滤推荐算法并没有将标签信息考虑到推荐过程中,因此不能挖掘到标签所蕴含的丰富的个性化信息,无法适应社会标签系统中个性化推荐的要求.同时,由于社会化标注具有一定的随意性和不可控性,带来的标签语义模糊性以及数据稀疏性问题,影响了利用标签进行个性化推荐的效果.因此,研究如何通过标签聚类发现同一标签所表达的不同含义,理解用户的真正意图,为其推荐更加符合其兴趣的资源具有重要意义.
近几年来,基于标签数据的推荐方法研究获得了学术界广泛的关注,如何利用用户标签数据设计高效准确的个性化推荐算法,为用户提供适合其个性化需求的资源和标签,已经成为个性化推荐研究领域重要的研究内容之一.
本文主要研究用户给资源标注标签的行为,对标签进行聚类,通过分析用户标签数据确定推荐算法,将基于用户模型和基于链接关系的相似度计算方法相结合,研究增加标签聚类后的个性化推荐方法,通过和以往推荐方法的比较,证明可提高推荐的质量和性能.
文章结构如下：第一部分对本文的研究内容进行简单介绍.第二部分对国内外研究现状进行介绍.第三部分描述本文采用的标签推荐算法,通过标签聚类提高推荐系统的性能,实现资源推荐.第四部分的实验设计评测指标验证该推荐系统各方面的性能.第五部分总结全文并且对未来工作进行展望.
1 国内外研究现状
随着社会化网络的迅速发展,基于标签数据的推荐算法的研究已经成为该领域的研究热点之一.文献[1-2]提出的基于图的FolkRank算法是其中之一,这种方法的基本思想主要是利用标签和资源以及标签和用户之间的链接信息,但这种方法并没有很好的考虑用户标签中所蕴含的个性化涵义,因此无法给不同的用户推荐个性化标签.
而将标签信息和传统的推荐模型相结合的研究是个性化推荐研究的一个新方向.文献[3]提出一种新的基于标签的协同推荐模型,将用户的标签信息抽象为用户向量,从而对资源进行协同推荐[4].文献[5]采取了类似的方法,主要是采用WordNet来计算不同用户之间的相似度,来进行协同推荐.文献[6]中提出了基于张量分解的标签推荐方法,该方法将社会标签系统数据集合表示为3阶张量的形式,利用高阶奇异值分解技术来挖掘用户、标签及资源之间的潜在语义.通过和两种重要的推荐算法进行比较,证明在准确率和召回率上都有明显提高.
文献[7]提出了一种基于资源共现的随机游走方法来聚类标签；文献[8]利用标签共现的分布相似性来增强标签相关性,结合递归贪婪算法和模块化函数实现了标签的聚类；文献[9]介绍了一种基于资源共现的标签单链接层次聚类算法来提高信息检索的效率；文献[10]通过建立标签共现网络,提出了一种基于标签相似性的聚类算法对标签共现网络进行分割,并建立标签聚类簇.
结论：大学硕士与本科聚类毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写聚类算法方面论文范文。
基于用户模型和属性扩散的混合个性化推荐
摘要：电子商务的飞速发展，在为人们提供了更加方便快捷的购物途径同时，如何给用户提供更加人性化的推荐服务，是电商赢得市场需要解决的关键问题。以淘宝。
多Agent技术下电子商务用户感知和个性化推荐模型探究
内容摘要：随着网络技术的发展和推广，电子商务得到长足的进展，逐步成为消费者购物以及浏览产品的主要模式。虽然电子商务体系带来了商品购置的便利，但使。
基于聚类赋权科学评价模型实证
摘要：根据“坚持以人为本，树立全面、协调、可持续的发展观，促进经济社会和人的全面发展”的科学发展观内涵，以权威机构典型观点的高频指标为基础，从经。
基于聚类分析农村居民消费结构实证
本文依据我国2014年各地區农村居民人均消费数据，运用多元统计分析中的聚类分析的方法，对2814年我国31个地区农村居民入均消费情况进行实证分析。