協(xié)同過濾推薦算法在移動智能推薦中的研究與應(yīng)用.pdf

1、協(xié)同過濾推薦通過研究用戶的興趣偏好，尋找與用戶有類似興趣偏好的最近鄰居用戶，根據(jù)最近鄰居用戶的興趣偏好為用戶推薦感興趣的內(nèi)容，在社交網(wǎng)絡(luò)和電子商務(wù)中得到廣泛的應(yīng)用。然而，當(dāng)傳統(tǒng)協(xié)同過濾推薦算法應(yīng)用到移動智能推薦時，面臨推薦的實時性和上下文感知等新的難題，降低了移動推薦的效率和準(zhǔn)確性。針對這一問題，本文引入上下文到協(xié)同過濾，提出融合上下文的協(xié)同過濾推薦算法，設(shè)計并實現(xiàn)了一個餐飲方面的移動推薦系統(tǒng)。論文的主要工作如下:
　　1.針對協(xié)

2、同過濾方法難以滿足移動推薦要求的問題，提出引入上下文到協(xié)同過濾的方法。同時提出了上下文相似度和項目組合相似度計算方法，以此為基礎(chǔ)提出了融合上下文的協(xié)同過濾推薦算法，并對時間復(fù)雜度進行了分析。
　　2.根據(jù)算法的自身特性，將它設(shè)計成在線階段和離線階段。離線階段計算數(shù)據(jù)集中項目上下文的相似度，獲取上下文特征下上下文實例的寬松上下文;同時計算項目組合相似度，獲取項目的關(guān)聯(lián)推薦列表。在線階段根據(jù)用戶的上下文、點擊或瀏覽的項目和離線階段得到

3、的結(jié)果進行處理，快速獲取推薦結(jié)果。
　　3.為了驗證所提算法的有效性和可行性，在Node.js的開發(fā)環(huán)境下以融合上下文的協(xié)同過濾推薦算法為基礎(chǔ)，設(shè)計并實現(xiàn)了一個移動推薦系統(tǒng)。該推薦系統(tǒng)主要有推薦模塊、搜索模塊、評價模塊、用戶上下文收集模塊等模塊。采用平均絕對誤差(MAE)、均方根誤差(RMSE)等度量指標(biāo)，與基于用戶相似度的推薦算法和上下文預(yù)過濾的推薦算法進行對比。
　　實驗結(jié)果表明:本文提出的協(xié)同過濾推薦算法在各項對比指標(biāo)