推薦引擎中的稀疏性問題研究.pdf

1、推薦引擎通過為用戶推送感興趣的信息,應(yīng)用機器學(xué)習(xí)知識為用戶提供個性化推薦。在推薦引擎中,協(xié)同過濾是一種最為常見的個性化推薦技術(shù),在推薦領(lǐng)域中應(yīng)用比較廣泛,已經(jīng)成為了該領(lǐng)域非常重要的方法。然而現(xiàn)有的協(xié)同過濾算法普遍存在著一個很顯著的問題:數(shù)據(jù)稀疏性。由于在應(yīng)用推薦引擎的場景中,用戶進(jìn)行評價的項目信息一般來說常常達(dá)不到場景中項目總量的1％,導(dǎo)致建立起來的用戶與項目之間的信息矩陣存在很大的稀疏性,而用戶與項目的信息矩陣是協(xié)同過濾技術(shù)進(jìn)行推薦的

2、數(shù)據(jù)信息基礎(chǔ),所以數(shù)據(jù)稀疏性問題的解決就顯得尤為重要。
　　本文主要是針對協(xié)同過濾中存在的稀疏性問題進(jìn)行探討。首先分析了推薦引擎的國內(nèi)外研究現(xiàn)狀,接著詳細(xì)介紹了協(xié)同過濾技術(shù),進(jìn)而針對協(xié)同過濾技術(shù)具有的數(shù)據(jù)稀疏性問題,介紹了目前的幾種解決方案及其問題,從兩個方面提出了改進(jìn)方法:一是改進(jìn)現(xiàn)有的相似性度量方法,以找到更優(yōu)的鄰居集合。該方法在樸素貝葉斯度量方法的基礎(chǔ)上,添加了項目的流行度作為懲罰因子,該度量方法經(jīng)實驗數(shù)據(jù)驗證能夠更好的反應(yīng)

3、鄰居之間的相似性;二是通過奇異值分解實現(xiàn)降維的方法,使得原始的計算信息矩陣更為稠密。因此本文針對數(shù)據(jù)稀疏性問題提出一種改進(jìn)算法,即BAS算法:該方法首先利用傳統(tǒng)的基于奇異值分解的方法來填充稀疏的評分矩陣,并得到預(yù)測的評分?jǐn)?shù)據(jù),然后采用這些預(yù)測評分來獲得活躍用戶的鄰居,最后利用改進(jìn)后的相似性度量方法得到最終提供給用戶的預(yù)測值。并對改進(jìn)的算法進(jìn)行了相應(yīng)的理論分析,在選定數(shù)據(jù)集上進(jìn)行了與原有的傳統(tǒng)方法對比的實驗,實驗結(jié)果表明,該方法在所用數(shù)據(jù)