融合相似度和機器學(xué)習(xí)的加權(quán)SlopeOne算法研究.pdf

1、協(xié)同過濾推薦算法因其預(yù)測準確度高、不受項目類型限制等優(yōu)點受到大眾的喜愛。本論文就其中比較經(jīng)典的Slope One算法進行深入研究，它是一種基于內(nèi)存的協(xié)同過濾推薦算法，由于計算簡單高效等優(yōu)點受到廣泛關(guān)注。但是，卻沒有考慮到用戶及項目相似度的問題，且計算過程中內(nèi)存消耗過大、預(yù)測結(jié)果相較于傳統(tǒng)協(xié)同過濾算法的優(yōu)勢并不明顯。就這些問題，本文提出了以下幾點改進措施：
　　首先，簡單介紹了協(xié)同過濾的相關(guān)知識，包括研究背景和現(xiàn)狀等內(nèi)容。緊接著，著

2、重介紹了本文研究的基礎(chǔ)，即Slope One算法的相關(guān)知識，包括其優(yōu)缺點和改進措施。
　　其次，由于原始Slope One算法在計算時，未考慮到相似度的問題，故本文在原算法基礎(chǔ)上，提出了融合用戶和項目相似度的加權(quán)Slope One算法。其間，分別使用信任機制以及Jaccard系數(shù)加權(quán)方法來選擇鄰居用戶，計算用戶間的相似度，然后，使用Pearson相關(guān)系數(shù)計算方法計算項目間的相似度，最后，將二者結(jié)合，又提出了兩種混合推薦算法。

3、>　　然后，考慮到基于內(nèi)存的方法簡單直觀易于理解，但是基于模型的方法普遍比基于內(nèi)存的方法可以得到更準確的預(yù)測結(jié)果，且運行速度更快，故本文考慮將基于模型和基于內(nèi)存的推薦方法兩者的優(yōu)點相結(jié)合對Slope One算法進行改進，提出了融合機器學(xué)習(xí)的加權(quán)Slope One算法，并且使用了機器學(xué)習(xí)中的最小二乘法對Slope One算法進行改進。
　　最后，通過實驗驗證前面提出的幾個算法，將這些算法均在兩個不同的數(shù)據(jù)集上進行對比實驗和結(jié)果分析。