個(gè)性化推薦系統(tǒng)中的協(xié)同過濾算法研究.pdf

1、隨著互聯(lián)網(wǎng)和電子商務(wù)的飛速發(fā)展，互聯(lián)網(wǎng)為用戶提供越來越多的信息和服務(wù)，用戶在得到便利的同時(shí)也不得不面臨大量的垃圾信息和無意義數(shù)據(jù)，即所謂的信息超載問題。面對(duì)海量的網(wǎng)絡(luò)資源，個(gè)性化推薦系統(tǒng)能夠及時(shí)跟蹤用戶的需求變化來自動(dòng)調(diào)整信息服務(wù)的方式和內(nèi)容，是一種極具潛力的解決信息超載的服務(wù)技術(shù)。
　　本文詳細(xì)介紹了個(gè)性化推薦系統(tǒng)中常用的幾種推薦算法如：協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法和混合推薦，并詳細(xì)介紹它們的相關(guān)

2、知識(shí)。協(xié)同過濾技術(shù)是目前推薦系統(tǒng)中最成功和應(yīng)用最廣泛的技術(shù)，在理論研究和實(shí)踐中都取得了快速的發(fā)展，它根據(jù)用戶的歷史選擇信息和相似性關(guān)系，收集與用戶興趣愛好相同的其他用戶的評(píng)價(jià)信息來產(chǎn)生推薦。然而，傳統(tǒng)的協(xié)同過濾推薦算法具有數(shù)據(jù)稀疏、推薦精度以及用戶相似性難以計(jì)算等問題。本文針對(duì)這些問題，對(duì)協(xié)同過濾算法進(jìn)行了相應(yīng)的改進(jìn)，主要工作如下：
　　傳統(tǒng)的推薦算法在計(jì)算目標(biāo)用戶鄰居集時(shí)只考慮用戶項(xiàng)目評(píng)分矩陣中的具體數(shù)值，沒有考慮用戶偏好以及用

3、戶評(píng)分與項(xiàng)目屬性之間的關(guān)系，推薦精度也有待進(jìn)一步提高。針對(duì)這一問題，本文提出了一種基于用戶偏好和項(xiàng)目屬性的協(xié)同過濾推薦算法(UPPPCF)。本算法在傳統(tǒng)的用戶項(xiàng)目評(píng)分矩陣基礎(chǔ)上綜合考慮用戶偏好以及項(xiàng)目屬性，把評(píng)分矩陣轉(zhuǎn)變成基于用戶偏好的用戶項(xiàng)目屬性評(píng)分矩陣，然后根據(jù)這一評(píng)分矩陣來計(jì)算目標(biāo)用戶的最近鄰居集，克服了傳統(tǒng)相似性計(jì)算方法只依靠用戶評(píng)分值的不足，同時(shí)本文對(duì)預(yù)測(cè)值判定給出了一種有效的度量方法。在MovieLen數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明

4、，本文提出的UPPPCF算法能夠有效地彌補(bǔ)傳統(tǒng)的協(xié)同過濾算法中的不足，而且在推薦精度上有了明顯的提高。
　　針對(duì)傳統(tǒng)的協(xié)同過濾技術(shù)在產(chǎn)生推薦時(shí)只考慮用戶項(xiàng)目評(píng)分信息而易受數(shù)據(jù)稀疏影響的問題，引入了項(xiàng)目類別屬性以及共同評(píng)分?jǐn)?shù)量。提出了一種基于共同評(píng)分和項(xiàng)目類別的混合推薦算法，該算法首先使用一種基于項(xiàng)目類別的IBCF算法來對(duì)原始的高度稀疏的用戶項(xiàng)目評(píng)分矩陣進(jìn)行填充，經(jīng)過填充以后得到一個(gè)稀疏度降低的用戶評(píng)分矩陣，然后在該矩陣的基礎(chǔ)上采用