基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦.pdf

1、隨著現(xiàn)代社會(huì)快速發(fā)展，人們對(duì)于信息的需求（包括對(duì)信息的篩選以及便捷的獲取手段等）愈加強(qiáng)烈。推薦系統(tǒng)作為信息過(guò)濾的一種有效形式，體現(xiàn)的作用日益顯著。一個(gè)優(yōu)秀的推薦系統(tǒng)能夠?yàn)橛脩?hù)篩選出符合用戶(hù)偏好的信息，對(duì)于無(wú)關(guān)信息過(guò)濾，并進(jìn)行準(zhǔn)確的推薦。因此，從推薦系統(tǒng)的特點(diǎn)出發(fā)，本文重點(diǎn)研究和改進(jìn)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(duì)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(hù)興趣漂移，解釋性差及缺乏安全性、擴(kuò)展性等問(wèn)

2、題。針對(duì)存在的冷啟動(dòng)問(wèn)題，本文提出了基于關(guān)聯(lián)規(guī)則的相關(guān)算法與改進(jìn)模型。對(duì)于Slope One算法進(jìn)行改進(jìn)，得到了改進(jìn)后的MF-Slope One算法，進(jìn)而建立了相關(guān)頻繁項(xiàng)目集，并在MovieLens數(shù)據(jù)集上對(duì)MF-Slope One算法、傳統(tǒng)的基于用戶(hù)關(guān)聯(lián)的推薦算法和傳統(tǒng)的基于項(xiàng)目關(guān)聯(lián)的推薦算法等進(jìn)行計(jì)算比較，得到該數(shù)據(jù)集中對(duì)應(yīng)的MF-Slope One算法在保證覆蓋率的前提下推薦準(zhǔn)確率得到了大幅提高。
　　為了進(jìn)一步提高推薦的準(zhǔn)

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(hù)的混合推薦模型算法（combined-Implicit Feedback Recommendation Model），即cIFRM。cIFRM模型算法對(duì)用戶(hù)與項(xiàng)目進(jìn)行分類(lèi)，將用戶(hù)的隱式行為提取轉(zhuǎn)化，通過(guò)改進(jìn)的在線(xiàn)隱式反饋推薦模型得到分類(lèi)的推薦結(jié)果。針對(duì)推薦系統(tǒng)用戶(hù)的興趣漂移問(wèn)題，加入了時(shí)間衰退機(jī)制；依托艾賓浩斯的遺忘曲線(xiàn)，對(duì)于實(shí)際使用中用戶(hù)興趣的漂移問(wèn)題給出利用衰減參數(shù)的

4、解決方案，并在實(shí)際數(shù)據(jù)集中進(jìn)行計(jì)算驗(yàn)證，得到了衰減參數(shù)?的取值方法。同時(shí)，針對(duì)協(xié)同過(guò)濾算法中的數(shù)據(jù)稀疏性以及冷啟動(dòng)問(wèn)題，加入評(píng)分填充機(jī)制，提出了基于評(píng)分填充的算法改進(jìn)。通過(guò)閾值?對(duì)于用戶(hù)評(píng)分矩陣是否填充進(jìn)行判定，對(duì)于缺失數(shù)據(jù)進(jìn)行局部填充，從而得到對(duì)應(yīng)的相似矩陣。本文為了驗(yàn)證cIFRM算法的優(yōu)越性，在MovieLens數(shù)據(jù)集和“開(kāi)課吧”提供的真實(shí)數(shù)據(jù)集中進(jìn)行了對(duì)應(yīng)推薦效果實(shí)驗(yàn)，參數(shù)影響實(shí)驗(yàn)，數(shù)據(jù)稀疏度實(shí)驗(yàn)等，并與其他算法進(jìn)行比較分析，得到