系統關鍵技術的研究

內容簡介

　信息化、智慧型化技術的快速發展引發了數據爆發式增長，大數據時代的到來也伴隨著"信息過載"問題的出現。推薦系統是解決信息過載問題的有效方法，作為現階段推薦算法當中套用為廣泛的個性化推薦算法之一，協同過濾推薦算法有著該領域內其他推薦算法無法比擬的諸多優點。但是在實際套用場景中，協同過濾推薦算法仍然有較多問題亟須解決。

　　針對協同過濾推薦算法面對的數據稀疏性問題，《推薦系統關鍵技術的研究》分別採用數據填充方法、融合信任的機率矩陣分解模型、融合用戶評分信息和項目評論特徵的深度學習模型進行分析解決。針對協同過濾推薦算法面對的冷啟動問題，《推薦系統關鍵技術的研究》分別採用K-means聚類算法與基於最佳化的遺傳算法的K-means聚類混合算法進行分析解決。針對協同過濾推薦算法面對的擴展性問題，《推薦系統關鍵技術的研究》採用基於Hadoop平台MapReduce分散式計算、HDFS分散式存儲模型進行算法並行化處理。同時，在真實的數據集上通過實驗驗證上述模型與算法的可行性與有效性。

　　《推薦系統關鍵技術的研究》共分為6章，包括推薦系統、數據填充方法、K-means聚類算法、基於混合算法的推薦系統、基於信任關係的推薦系統和融合多源數據的推薦系統。

　　《推薦系統關鍵技術的研究》可作為推薦系統研究方向高年級本科生和研究生的教材，也可供相關領域的技術人員和科研工作者閱讀參考。

圖書目錄

前言

第1章推薦系統

1．1 什麼是推薦系統

1．2 推薦系統的研究現狀

1．3 推薦系統的評測

第2章數據填充方法

2．1 協同過濾推薦算法概述

2．2 數據填充方法解決數據稀疏性問題

2．3 數據填充方法的並行化

2．4 實驗評測及分析

2．5 小結

第3章 K-means聚類算法

3．1 K-means聚類算法的簡介和特點

3．2 K-means聚類算法解決冷啟動問題

3．3 K-means聚類算法的並行化

3．4 實驗評測及分析

3．5 小結

第4章基於混合算法的推薦系統

4．1 遺傳算法

4．2 混合算法

4．3 混合算法解決冷啟動問題

4．4 混合算法的並行化

4．5 推薦算法的並行化

4．6 實驗評測及分析

4．7 小結

第5章基於信任關係的推薦系統

5．1 信任關係

5．2 融合信任關係的推薦模型

5．3 實驗評測及分析

5．4 小結

第6章融合多源數據的推薦系統

6．1 融合評論數據的推薦系統

6．2 融合評分與評論數據的推薦系統

系統關鍵技術的研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條