個(gè)性化推薦系統(tǒng)的研究與應(yīng)用.pdf

1、隨著信息時(shí)代的深入發(fā)展和互聯(lián)網(wǎng)經(jīng)濟(jì)的日益興起，信息量的規(guī)模以超乎想象的方式迅速增加，而日益增多的信息慢慢地將人們層層環(huán)繞，企圖將人們淹沒于信息的汪洋大海中。不過，順應(yīng)時(shí)勢(shì)而生的個(gè)性化推薦系統(tǒng)將解救人們于信息世界的困惑中，使人們能夠按照自己的意愿和需求選擇自己想要的信息和其他東西。個(gè)性化推薦算法是個(gè)性化推薦系統(tǒng)的靈魂，它是實(shí)施個(gè)性化推薦的關(guān)鍵要素和重要保證。在眾多個(gè)性化推薦算法中，協(xié)同過濾推薦算法無疑是使用較為頻繁、應(yīng)用較為成功的典例，它

2、使用用戶項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)，通過計(jì)算用戶之間和項(xiàng)目之間的相似性，找到相似鄰居并生成列表，然后從相似鄰居列表中選擇若干相似鄰居向用戶進(jìn)行推薦。然而，由于用戶項(xiàng)目評(píng)分矩陣的稀疏性等因素的影響，協(xié)同過濾推薦的效果往往與用戶的期望有所差距。本文第三部分中對(duì)基于協(xié)同過濾的推薦與基于模型的Slope One推薦的性能進(jìn)行了比較實(shí)驗(yàn)，得出了基于協(xié)同過濾的推薦的準(zhǔn)確率和召回率均比基于模型的Slope One的推薦算法的低，因此如何采取一些方法使采用協(xié)同過濾

3、進(jìn)行推薦的準(zhǔn)確率增大是一個(gè)值得研究的問題。主要針對(duì)運(yùn)用協(xié)同過濾進(jìn)行Top-N推薦時(shí)，如何設(shè)置相似鄰居數(shù)和推薦數(shù)來提高推薦的準(zhǔn)確率以及隨著相似鄰居數(shù)和推薦數(shù)的改變，準(zhǔn)確率和召回率兩個(gè)指標(biāo)是如何變化的這兩個(gè)問題展開研究的。
　　本文通過實(shí)驗(yàn)來進(jìn)行這些問題的研究。首先讓相似鄰居數(shù)和推薦數(shù)相等，研究隨著推薦個(gè)數(shù)的增加，準(zhǔn)確率、召回率所呈現(xiàn)的變化規(guī)律以及準(zhǔn)確率取最大值的情況是什么，然后通過設(shè)置推薦個(gè)數(shù)，研究協(xié)同過濾算法在相似鄰居數(shù)逐步增大的

4、情況下的準(zhǔn)確率和召回率是如何變化的，最后通過設(shè)置相似鄰居的個(gè)數(shù)，研究協(xié)同過濾算法在推薦個(gè)數(shù)不斷增大情況下的準(zhǔn)確率和召回率是如何變化的。最終通過在MovieLens數(shù)據(jù)集上開展實(shí)驗(yàn)，說明了準(zhǔn)確率和召回率并不總是相互影響的，在某種條件下，它們可以同時(shí)增大或減小，可以同時(shí)達(dá)到最大值或最小值。此外，準(zhǔn)確率達(dá)到最大值的情況和準(zhǔn)確率、召回率兩者隨推薦數(shù)或相似鄰居數(shù)改變而變化的趨勢(shì)在基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同過濾這兩種推薦算法下的結(jié)果也有所不