好友推薦中的協(xié)同過(guò)濾算法研究及應(yīng)用.pdf

1、協(xié)同過(guò)濾算法已經(jīng)廣泛應(yīng)用于推薦系統(tǒng)中，而基于協(xié)同過(guò)濾的推薦算法之關(guān)鍵是相似度計(jì)算。雖然已經(jīng)有許多成熟的相似度計(jì)算方法，但是基于協(xié)同過(guò)濾的推薦算法在數(shù)據(jù)稀疏的情況下表現(xiàn)并不令人滿意。同時(shí)，新用戶或新物品的“冷啟動(dòng)”問(wèn)題是基于協(xié)同過(guò)濾的推薦算法中存在的另一個(gè)問(wèn)題。針對(duì)這些問(wèn)題，本文提出了兩種改進(jìn)算法，在實(shí)驗(yàn)數(shù)據(jù)和實(shí)際應(yīng)用中取得了良好的效果。
　　首先，本文研究了九種已知的相似度算法，并根據(jù)這九種已知的相似度算法的設(shè)計(jì)思想提出了一種新的

2、相似度算法PSJ（Proximity-Significance-Jaccard），它考慮了用戶評(píng)分差值、用戶全局評(píng)分偏好和用戶共同評(píng)分物品數(shù)三個(gè)因素;同時(shí)它的Proximity因子使用指數(shù)函數(shù)反映用戶評(píng)分差值對(duì)用戶相似度的影響并避免了零除問(wèn)題;另外，將NHSM(new heuristic similarity model)方法中的Significance因子和URP因子合并成它的Significance因子，這使得它的計(jì)算復(fù)雜度低于NH

3、SM方法;而且，PSJ考慮了用戶間的評(píng)分差值和用戶全局評(píng)分兩個(gè)因素提高在數(shù)據(jù)稀疏情況下的推薦效果，實(shí)驗(yàn)結(jié)果證明PSJ相似度算法相對(duì)于對(duì)比相似度算法可以提升推薦效果。
　　其次，針對(duì)基于PSJ相似度算法的協(xié)同過(guò)濾推薦方法在數(shù)據(jù)稀疏度達(dá)到99.99％時(shí)表現(xiàn)不是很理想，同時(shí)該方法存在的新物品的“冷啟動(dòng)”問(wèn)題。本文基于矩陣分解算法能夠提升推薦系統(tǒng)在上面兩種情況下的推薦效果，提出了一種基于PSJ相似度算法的矩陣分解推薦算法。該方法首先使用P

4、SJ相似度算法計(jì)算用戶相似度，然后使用矩陣分解算法處理用戶-用戶相似度矩陣，最終根據(jù)用戶-用戶相似度矩陣產(chǎn)生推薦結(jié)果。經(jīng)過(guò)實(shí)驗(yàn)證明新方法相較于基于PSJ相似度算法的協(xié)同過(guò)濾推薦算法能夠提升推薦效果
　　最后，將兩種推薦算法應(yīng)用到了專注于籃球運(yùn)動(dòng)社交網(wǎng)絡(luò)平臺(tái)“我?jiàn)W網(wǎng)”的好友推薦功能上，這個(gè)平臺(tái)擁有大量注冊(cè)用戶的職業(yè)生涯數(shù)據(jù)記錄和聯(lián)賽數(shù)據(jù)記錄，本文的推薦算法通過(guò)使用用戶比賽數(shù)據(jù)計(jì)算用戶之間的相似度，最終為用戶推薦和他運(yùn)動(dòng)數(shù)據(jù)相似的用戶