在推荐系统中引入 Serendipity 的算法研究 毕业论文+参考文献+项目源码

---

目 录摘要 1ABSTRACT 11引言 21.1研究背景 21.2现有成果 22相关技术简介 32.1协同过滤算法 32.1.1基于相似度的算法 32.1.2基于模型的算法 32.2相似度计算 43需求分析 43.1SERENDIPITY 的定义 43.2SERENDIPITY 能解决的问题 43.3SERENDIPITY 的衡量标准 53.3.1意向不到的度量 53.3.2有效性 53.3.3新颖性 54详细设计和实现 54.1算法流程 54.1.1利用协同过滤算法得出 RS 64.1.2原始推荐算法模型 PM 64.1.3得出用户意想不到的物品集 UNEXPECT 64.1.4利用有效性得出 USEFUL 64.1.5结合物品内容得出 SERENDIP(t) 64.2PYTHON 和 NUMPY 84.2.1工具的选择 84.2.2代码实现 85测试与结果 95.1输入文件 95.2代码测试 105.2.1初步预测 105.2.2得出 UNEXPECT 115.2.3得出 USEFUL 125.2.4得出 SERENDIP(t) 125.3结果测试 135.3.1GENRE 比较 135.3.2用户测试 146 总结 156.1整体评估 156.2存在的限制 156.3未来工作 16致谢 16参考文献 16在推荐系统中引入 Serendipity 的算法研究摘要：现今广泛使用的推荐算法所推荐的项目，往往出自于一个相对固定和狭窄的特征集合，因此忽略了用户兴趣的改变和对新鲜感的诉求。为了让用户有更好的用户体验，推荐系统应该考虑在准确率之外更加重要的衡量尺度，比如说新颖度、惊喜度、覆盖率、有效性等。这篇论文的核心是如何将推荐系统结合 serendipity 这个尺度。Serendipity 的定义是在一种轻松愉快的氛围中偶然发现让自己意想不到的物品，因此算法中融合了商品的属性特征 genre，评分越高的 genre 往往有着越低的 serendipity。算法代码是用带有科学计算包 numpy 的 pyhon 语言写成，并且在 100KMovieLens 数据集上进行测试，可以鉴别出在利用协同过滤算法推荐给用户的项目中，serendipity 较低的项目，进而提升推荐系统的用户体验。关键词：推荐系统；协同过滤；SerendipityResearch on Serendipity Algorithm in Recommendation SystemAbstract：Nowadays, the items recommended by widely used recommendation algorithms often come from a relatively fixed and narrow set of features, thus ignoring the changes of user’s interests and the demands of freshness. Therefore, recommendation system should consider other more important metrics outside of accuracy such as novelty, serendipity, coverage, usefulness in order to provide a better user experience. The core of this thesis is how to incorporate serendipity into a recommendation. Serendipity isdefined as finding something good by accident in a relaxed and delighted atmosphere, hence the algorithm considers items’ genre feature. Usually higher ratings correspond to lower serendipity. The algorithm implemented using Python in conjunction with the scientific computing package Numpy and tested on the 100K MovieLens dataset is shown to be capable of identifying less serendipitous items in the item set recommended to users by algorithm based on collaborative filtering, thereby improving user experience of the recommendation system.Key words：Recommendation System；Collaborative Filtering；Serendipity