協(xié)同過濾系統(tǒng)的數(shù)據(jù)稀疏性問題研究.pdf

1、推薦系統(tǒng)是解決信息過載問題的有效方案，已經(jīng)廣泛應(yīng)用于電子商務(wù)、社交網(wǎng)絡(luò)、音樂社區(qū)和電影社區(qū)等領(lǐng)域。近年來，協(xié)同過濾推薦技術(shù)，因其思路簡單易實(shí)現(xiàn)、數(shù)據(jù)依賴性低、推薦結(jié)果準(zhǔn)確等優(yōu)點(diǎn)，已經(jīng)成為推薦系統(tǒng)領(lǐng)域中應(yīng)用最為廣泛的技術(shù)之一。協(xié)同過濾推薦系統(tǒng)主要分為基于內(nèi)存的方法和基于模型的方法，但是這些算法都有稀疏性、冷啟動(dòng)和擴(kuò)展性等問題。本文主要為緩解數(shù)據(jù)稀疏性問題展開了如下工作:
　　(1)提出一種新穎的基于項(xiàng)目候選集的協(xié)同過濾算法(CI-C

2、F)。CI-CF算法基于用戶協(xié)同過濾，引入用戶之間的非對稱影響度和支持度，并考慮到用戶對項(xiàng)目的偏好程度，提出了項(xiàng)目候選集的概念，同時(shí)利用項(xiàng)目信息熵對未評分項(xiàng)目集合進(jìn)行二次修正，得到候選項(xiàng)目集合。基于MovieLens和netflix數(shù)據(jù)集的實(shí)驗(yàn)表明，相比近三年來多個(gè)比較流行的算法（如:AC-PCC算法，RA-CF算法），CI-CF算法在推薦結(jié)果的準(zhǔn)確率、召回率和F1值上都具有較大的優(yōu)勢，有效地降低了用戶評分稀疏性問題帶來的負(fù)面影響，顯著

3、提高了推薦系統(tǒng)的推薦質(zhì)量。
　　(2)提出了基于好友關(guān)系和標(biāo)簽的混合協(xié)同過濾算法(FT-CF)。首先分析好友之間的關(guān)系網(wǎng)絡(luò)，通過關(guān)系傳播機(jī)制快速尋找關(guān)系網(wǎng)絡(luò)中與目標(biāo)用戶興趣愛好相似的用戶，并找到符合目標(biāo)用戶需要的商品;然后，利用TF-IDF的思想，從用戶歷史標(biāo)簽記錄中挖掘該用戶的興趣愛好;最后將兩者有效地結(jié)合，以進(jìn)一步緩解數(shù)據(jù)的稀疏性問題。基于lastfm數(shù)據(jù)集的實(shí)驗(yàn)表明，F(xiàn)T-CF算法比近三年來較流行的算法（如:PRT-CF算法

4、和UCTRA算法）在準(zhǔn)確率和召回率上都具有較大優(yōu)勢。
　　(3)全面總結(jié)了對使用標(biāo)簽信息數(shù)據(jù)、評分?jǐn)?shù)據(jù)和用戶/項(xiàng)目屬性數(shù)據(jù)等不同種類數(shù)據(jù)信息的算法，并詳細(xì)介紹、實(shí)現(xiàn)和實(shí)驗(yàn)比較了基于標(biāo)簽和協(xié)同過濾的個(gè)性化資源推薦、基于近鄰雙聚類的協(xié)同過濾top-N推薦系統(tǒng)和基于耦合對象相似度的項(xiàng)目推薦算法。基于MovieLens10M數(shù)據(jù)集的實(shí)驗(yàn)表明，當(dāng)推薦系統(tǒng)獲得用戶/項(xiàng)目的信息越多，我們對用戶的了解就越多，就越容易把握用戶的興趣愛好，所以將多方