基于協(xié)同過濾技術(shù)的推薦方法研究.pdf

1、隨著網(wǎng)絡與信息技術(shù)的飛速發(fā)展，互聯(lián)網(wǎng)為用戶提供越來越多的信息和服務，Web用戶面臨的信息超載問題口趨嚴重。面對海量的網(wǎng)絡資源，推薦系統(tǒng)能夠及時跟蹤用戶的需求變化來自動調(diào)整信息服務的方式和內(nèi)容，是一種極具潛力的解決信息超載的個性化服務技術(shù)。協(xié)同過濾技術(shù)是推薦系統(tǒng)中最廣泛使用和最成功的技術(shù)之一，在理論研究和實踐中都取得了快速的發(fā)展。但是隨著用戶數(shù)量和系統(tǒng)規(guī)模的不斷擴大，協(xié)同過濾推薦技術(shù)將面臨嚴重的數(shù)據(jù)稀疏性、超高維、冷啟動和實時推薦等方面的

2、挑戰(zhàn)。本文針對這些問題，應用統(tǒng)計學和數(shù)據(jù)挖掘理論與方法，定義了新的相似性度量方法，提出了更為有效的協(xié)同過濾推薦算法，給出了電子政務信息推薦系統(tǒng)的體系結(jié)構(gòu)設(shè)計，并對多種推薦策略做了詳細的探討。主要研究成果如下：
　　 1)詳細分析了協(xié)同過濾技術(shù)中數(shù)據(jù)稀疏性問題，針對傳統(tǒng)相似性度量會導致預測誤差的問題，提出了一種新的混合協(xié)同過濾推薦算法框架。新算法首先引入新的相似性度量方法，利用站點的概念層次結(jié)構(gòu)，綜合考慮頁面之間的主題相似性。然后

3、在新相似度的基礎(chǔ)上通過基于項目的協(xié)同過濾方法預測原始興趣矩陣的空白評分項，緩解矩陣的稀疏性，最后在平滑后的矩陣上為用戶產(chǎn)生推薦。實驗對真實Log日志數(shù)據(jù)進行了測試，結(jié)果證明了該算法在提高推薦質(zhì)量方面的有效性。
　　 2)深入研究了推薦系統(tǒng)中原始評分矩陣的超高維特性，提出了一種基于局部主成分分析(Local Principle Component Analysis)的協(xié)同過濾推薦方法，該算法首先根據(jù)站點的領(lǐng)域知識對網(wǎng)頁進行按主題分

4、類，使同一主題的頁面具有較強的內(nèi)容相關(guān)性，然后每類頁面分別進行主成分變換，實現(xiàn)數(shù)據(jù)的降維預處理。對每類主題頁面設(shè)置用戶的興趣閾值，算法實現(xiàn)了從用戶和項目的角度分別進行降維處理，最后的實驗結(jié)果顯示了基于局部主成分分析的降維方法可以顯著的提高預測精度，但對訓練數(shù)據(jù)集的稠密性具有較高的要求。
　　 3)針對推薦系統(tǒng)中實時性和推薦質(zhì)量不能同時兼顧的問題，提出了一種使用維數(shù)約簡和聚類技術(shù)的混合推薦算法。該算法首先對高維的原始評分矩陣進行全

5、局降維，在低維空間上使用聚類技術(shù)縮小目標用戶的最近鄰搜索空間，使推薦算法的在線計算量大大減少，算法對標準數(shù)據(jù)集和真實數(shù)據(jù)都進行了實驗測試，結(jié)果表明在改善實時推薦效率的同時，算法也具有較高的評分預測精度，并且不同的數(shù)據(jù)集對推薦結(jié)果的影響也是比較明顯的。
　　 4)針對目前電子政務系統(tǒng)中個性化信息服務的需求，提出了一種面向公眾的信息推薦服務模型，設(shè)計了個性化推薦系統(tǒng)的體系結(jié)構(gòu)，探討了其主要功能模塊和實現(xiàn)的核心技術(shù)，并且根據(jù)目前電子政