協(xié)同過濾算法中冷啟動(dòng)問題的研究.pdf

1、隨著互聯(lián)網(wǎng)應(yīng)用的普及，電子商務(wù)獲得了快速的發(fā)展，網(wǎng)絡(luò)購(gòu)物已經(jīng)融入到人們的生活當(dāng)中。用戶信息和商品信息都在高速的增長(zhǎng)帶來(lái)了“信息過載”現(xiàn)象，用戶無(wú)法在有限的時(shí)間和精力里獲取自己所需要的信息。個(gè)性化推薦系統(tǒng)作為處理信息過載問題的重要工具成為了關(guān)注的焦點(diǎn)，而推薦系統(tǒng)中最為成功的基于協(xié)同過濾的推薦算法得到了大量的應(yīng)用與研究。協(xié)同過濾算法雖然應(yīng)用廣泛，但是它還是存在數(shù)據(jù)稀疏性、可擴(kuò)展性、冷啟動(dòng)等問題，使得推薦質(zhì)量受到嚴(yán)重制約，因此協(xié)同過濾算法面臨

2、著諸多挑戰(zhàn)。
　　本文主要針對(duì)冷啟動(dòng)問題和數(shù)據(jù)稀疏性問題進(jìn)行深入研究，在傳統(tǒng)的協(xié)同過濾算法基礎(chǔ)上，通過分析用戶特征與項(xiàng)目語(yǔ)義相似性來(lái)緩解冷啟動(dòng)問題。論文的主要工作有以下幾方面：
　　第一，針對(duì)傳統(tǒng)的基于用戶和基于項(xiàng)目的協(xié)同過濾算法相似性度量的不足，提出了針對(duì)不同項(xiàng)目的用戶間相似性計(jì)算方法以及針對(duì)不同用戶的項(xiàng)目間相似性計(jì)算方法，能夠?yàn)橛脩艉晚?xiàng)目找到合適的最近鄰集合。
　　第二，針對(duì)用戶冷啟動(dòng)問題，在改進(jìn)的用戶間相似性計(jì)算

3、方法的基礎(chǔ)上，通過引入用戶特征屬性相似性計(jì)算模型來(lái)緩解新用戶問題。引入動(dòng)態(tài)平衡參數(shù)將用戶特征屬性相似性與改進(jìn)的用戶間相似性有效結(jié)合，能夠根據(jù)評(píng)分矩陣的特征動(dòng)態(tài)調(diào)整兩者所占的比重。由于考慮了用戶特征的因素，當(dāng)新用戶進(jìn)入系統(tǒng)時(shí)，能夠通過用戶間的特征屬性相似性為新用戶找到最近鄰集合，產(chǎn)生推薦。
　　第三，針對(duì)用戶冷啟動(dòng)和項(xiàng)目冷啟動(dòng)問題，提出了結(jié)合項(xiàng)目語(yǔ)義與用戶特征的協(xié)同過濾推薦算法，該方法首先將用戶評(píng)分相似性與用戶特征屬性相似性結(jié)合起來(lái)

4、選取用戶的鄰居產(chǎn)生用戶預(yù)測(cè)評(píng)分，然后將項(xiàng)目評(píng)分相似性與項(xiàng)目語(yǔ)義相似性結(jié)合起來(lái)選取項(xiàng)目的鄰居產(chǎn)生項(xiàng)目預(yù)測(cè)評(píng)分，最終將用戶預(yù)測(cè)評(píng)分與項(xiàng)目預(yù)測(cè)評(píng)分結(jié)合得到最終的推薦結(jié)果。由于該算法同時(shí)考慮了用戶特征與項(xiàng)目語(yǔ)義的因素，用戶冷啟動(dòng)和項(xiàng)目冷啟動(dòng)問題均得到了緩解。
　　最后，采用Movielens站點(diǎn)提供的公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：改進(jìn)的相似性度量方法效果更好；結(jié)合項(xiàng)目語(yǔ)義與用戶特征的協(xié)同過濾推薦算法有效的解決了冷啟動(dòng)問題，緩解了數(shù)據(jù)稀