基于關(guān)聯(lián)規(guī)則的個性化推薦.pdf

1、隨著現(xiàn)代社會快速發(fā)展，人們對于信息的需求（包括對信息的篩選以及便捷的獲取手段等）愈加強烈。推薦系統(tǒng)作為信息過濾的一種有效形式，體現(xiàn)的作用日益顯著。一個優(yōu)秀的推薦系統(tǒng)能夠為用戶篩選出符合用戶偏好的信息，對于無關(guān)信息過濾，并進行準確的推薦。因此，從推薦系統(tǒng)的特點出發(fā)，本文重點研究和改進了推薦系統(tǒng)的相關(guān)算法與模型，具體工作如下：
　　首先，本文針對推薦系統(tǒng)發(fā)展現(xiàn)狀，發(fā)現(xiàn)在現(xiàn)有推薦系統(tǒng)中存在著用戶興趣漂移，解釋性差及缺乏安全性、擴展性等問

2、題。針對存在的冷啟動問題，本文提出了基于關(guān)聯(lián)規(guī)則的相關(guān)算法與改進模型。對于Slope One算法進行改進，得到了改進后的MF-Slope One算法，進而建立了相關(guān)頻繁項目集，并在MovieLens數(shù)據(jù)集上對MF-Slope One算法、傳統(tǒng)的基于用戶關(guān)聯(lián)的推薦算法和傳統(tǒng)的基于項目關(guān)聯(lián)的推薦算法等進行計算比較，得到該數(shù)據(jù)集中對應(yīng)的MF-Slope One算法在保證覆蓋率的前提下推薦準確率得到了大幅提高。
　　為了進一步提高推薦的準

3、確性和覆蓋率等指標(biāo)，增加推薦結(jié)果的可解釋性，本文提出了基于隱式用戶的混合推薦模型算法（combined-Implicit Feedback Recommendation Model），即cIFRM。cIFRM模型算法對用戶與項目進行分類，將用戶的隱式行為提取轉(zhuǎn)化，通過改進的在線隱式反饋推薦模型得到分類的推薦結(jié)果。針對推薦系統(tǒng)用戶的興趣漂移問題，加入了時間衰退機制；依托艾賓浩斯的遺忘曲線，對于實際使用中用戶興趣的漂移問題給出利用衰減參數(shù)的

4、解決方案，并在實際數(shù)據(jù)集中進行計算驗證，得到了衰減參數(shù)?的取值方法。同時，針對協(xié)同過濾算法中的數(shù)據(jù)稀疏性以及冷啟動問題，加入評分填充機制，提出了基于評分填充的算法改進。通過閾值?對于用戶評分矩陣是否填充進行判定，對于缺失數(shù)據(jù)進行局部填充，從而得到對應(yīng)的相似矩陣。本文為了驗證cIFRM算法的優(yōu)越性，在MovieLens數(shù)據(jù)集和“開課吧”提供的真實數(shù)據(jù)集中進行了對應(yīng)推薦效果實驗，參數(shù)影響實驗，數(shù)據(jù)稀疏度實驗等，并與其他算法進行比較分析，得到