基于協(xié)同過(guò)濾混合推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著Internet技術(shù)的迅速發(fā)展，我們進(jìn)入了信息爆炸的時(shí)代。面對(duì)如此海量的信息，我們想要從中快速的找到自己所需要的信息必須花費(fèi)大量時(shí)間。如今有很多應(yīng)用如門(mén)戶網(wǎng)站，搜索引擎等都能幫助用戶過(guò)濾信息，但它們沒(méi)有考慮個(gè)性化的需求，因此還是無(wú)法很好的解決信息過(guò)多的問(wèn)題。個(gè)性化推薦系統(tǒng)是根據(jù)每個(gè)用戶的個(gè)人信息、興趣特點(diǎn)以及瀏覽的歷史記錄等，向他們推薦可能感興趣的信息。因此，它作為一種解決信息過(guò)多問(wèn)題的手段應(yīng)運(yùn)而生，這在很大程度上節(jié)省了用戶篩選信息

2、的時(shí)間。
　　本文首先介紹了目前個(gè)性化推薦系統(tǒng)的研究背景及現(xiàn)狀，并對(duì)目前個(gè)性化推薦系統(tǒng)中主要使用的算法進(jìn)行深入的研究和分析。推薦系統(tǒng)主要分為協(xié)同過(guò)濾、基于內(nèi)容的過(guò)濾、基于知識(shí)的過(guò)濾以及混合過(guò)濾。目前的這些推薦系統(tǒng)存在著數(shù)據(jù)稀疏性、冷啟動(dòng)、可擴(kuò)展性等諸多問(wèn)題。這些問(wèn)題在很大程度上影響著推薦系統(tǒng)的性能。其中數(shù)據(jù)稀疏性問(wèn)題和擴(kuò)展性問(wèn)題又是兩個(gè)很重要的影響推薦性能的因素。為了降低這兩個(gè)因素對(duì)推薦性能的影響，首先，本文對(duì)基于記憶的協(xié)同過(guò)濾算

3、法中的最近鄰居法進(jìn)行了改進(jìn)，該方法先通過(guò)交集運(yùn)算尋找可能的最近鄰居，再通過(guò)相似性函數(shù)計(jì)算用戶之間的相似性，并取相似性較高的若干個(gè)用戶作為目標(biāo)用戶的真正鄰居，將這些用戶的評(píng)分組成新的矩陣。相比傳統(tǒng)的最近鄰居法，這樣可以將原始評(píng)分矩陣的維度降低，因此稀疏性也隨之降低，這樣就可以避免數(shù)據(jù)稀疏性問(wèn)題帶來(lái)的影響。其次，提出了一種新的混合協(xié)同過(guò)濾推薦算法，該算法在改進(jìn)的最近鄰居法的基礎(chǔ)上得到目標(biāo)用戶的最近鄰矩陣，然后在該矩陣上采用矩陣分解算法，由于

4、矩陣分解算法可以有效的解決擴(kuò)展性問(wèn)題，因此，本文提出的混合算法同時(shí)解決了評(píng)分矩陣稀疏性和可擴(kuò)展性的問(wèn)題。
　　其次，設(shè)計(jì)了詳細(xì)的實(shí)驗(yàn)方案，驗(yàn)證了我們所提出算法的正確性，采用了Movielens數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集。為了避免參數(shù)對(duì)最終結(jié)果產(chǎn)生的影響，從各個(gè)角度分析了影響推薦算法性能的因素，然后通過(guò)大量的實(shí)驗(yàn)確定最終實(shí)驗(yàn)所用的參數(shù)。將本文提出的混合推薦算法與傳統(tǒng)的協(xié)同過(guò)濾推薦算法比較后得出結(jié)論：該混合推薦算法在準(zhǔn)確率方面有了較大的提升