基于模糊理論和協(xié)同過(guò)濾的個(gè)性化推薦方法.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和持續(xù)完善，為使用戶獲得更好的用戶體驗(yàn)，諸多個(gè)性化推薦系統(tǒng)不斷涌現(xiàn)。協(xié)同過(guò)濾技術(shù)是傳統(tǒng)個(gè)性化推薦系統(tǒng)中發(fā)展較為完善、應(yīng)用較為廣泛的一種推薦技術(shù)，但隨著信息技術(shù)、網(wǎng)絡(luò)技術(shù)等的不斷發(fā)展，該系統(tǒng)自身固有的數(shù)據(jù)稀疏性、用戶/項(xiàng)目冷啟動(dòng)以及系統(tǒng)可擴(kuò)展性等問(wèn)題越來(lái)越成為制約其發(fā)展的瓶頸所在。在實(shí)際生活中，兩個(gè)個(gè)體之間往往只在某一方面品味相似。傳統(tǒng)的個(gè)性化推薦算法往往忽略這一事實(shí)，在計(jì)算用戶相似度時(shí)將所有項(xiàng)目都考慮進(jìn)來(lái)；另外，協(xié)同過(guò)

2、濾算法固有的稀疏性問(wèn)題也會(huì)導(dǎo)致核心步驟中最近鄰很難被定位，系統(tǒng)的推薦效果收到了極大的影響。本文針對(duì)影音視聽(tīng)領(lǐng)域廣泛使用的協(xié)同過(guò)濾推薦系統(tǒng)的某些缺陷進(jìn)行改進(jìn)，旨在深入挖掘用戶潛在興趣，在考慮用戶評(píng)分偏好和興趣遷移的基礎(chǔ)上，得到更為精確、多樣的推薦結(jié)果。
　　本文提出了一個(gè)基于模糊理論和協(xié)同過(guò)濾的個(gè)性化推薦方法。論文首先介紹了近年發(fā)展迅速的基于模糊理論的數(shù)據(jù)挖掘技術(shù)，為本文提出的個(gè)性化推薦方法提供技術(shù)支撐；隨后概述了個(gè)性化推薦系統(tǒng)中常

3、見(jiàn)的幾種推薦技術(shù)，并在討論現(xiàn)有電影推薦系統(tǒng)的基礎(chǔ)上，深入分析了協(xié)同過(guò)濾算法的優(yōu)缺點(diǎn)，提出了新的數(shù)學(xué)模型對(duì)傳統(tǒng)協(xié)同過(guò)濾技術(shù)進(jìn)行改進(jìn)；最后在原有工作基礎(chǔ)之上給出了基于模糊理論和協(xié)同過(guò)濾的個(gè)性化推薦方法的完整系統(tǒng)架構(gòu)。首先在概念分層的基礎(chǔ)上，引入“隸屬度”和“可信度”概念，利用模糊支持向量機(jī)算法對(duì)項(xiàng)目進(jìn)行模糊聚類，利用模糊C均值分類算法對(duì)各項(xiàng)目類的用戶進(jìn)行可信度量，提出的個(gè)性化推薦方法利用上述方法，從兩個(gè)角度入手通過(guò)簡(jiǎn)單降維和縮減數(shù)據(jù)集的方式

4、，既改善了稀疏性問(wèn)題，又可以降低推薦搜索范圍，進(jìn)而提高算法的可擴(kuò)展性；其次，通過(guò)引入“評(píng)分偏好”和“興趣遷移度”概念，提出新的用戶相似性度量方法和預(yù)測(cè)評(píng)分公式，對(duì)傳統(tǒng)協(xié)同過(guò)濾技術(shù)進(jìn)行改進(jìn)，使改進(jìn)后的協(xié)同過(guò)濾推薦準(zhǔn)確度有一定程度的改善；最終，改進(jìn)后的協(xié)同過(guò)濾技術(shù)對(duì)每一個(gè)項(xiàng)目類進(jìn)行分別推薦后，整合每個(gè)項(xiàng)目類中推薦項(xiàng)目的所有相關(guān)信息并利用本文定義提出的加權(quán)模型對(duì)其進(jìn)行加權(quán)排序，完成最終推薦。結(jié)果證明，提出的個(gè)性化推薦方法既可以擴(kuò)展推薦結(jié)果的多