協(xié)同過濾算法中數(shù)據(jù)稀疏性問題研究.pdf

1、信息時代，互聯(lián)網(wǎng)的覆蓋率和普及度越來越高，同時也推動了電子商務融入人們的生活中，網(wǎng)絡數(shù)據(jù)信息呈現(xiàn)出爆炸式的增長。人們將花費更多的時間去尋找他們想要的東西，這個現(xiàn)象被稱作“信息過載”。如何解決這個問題對電子商務平臺來說非常重要，推薦系統(tǒng)的出現(xiàn)填補了這一空白，其中基于協(xié)同過濾算法更是取得了很大的成功。然而隨著電商平臺的用戶數(shù)和項目數(shù)的大幅度增加，被評分的項目比例越來越小，使得用戶-項目評分矩陣變得十分稀疏，從而造成傳統(tǒng)的協(xié)同過濾推薦算法的推

2、薦準確度有所下降。
　　數(shù)據(jù)稀疏問題使得采用協(xié)同過濾算法的推薦系統(tǒng)法面臨嚴重不足。本文針對該問題，從結合條件概率算法、浮動篩選鄰居和分步填充用戶-項目評分矩陣中的未評分項目三個角度出發(fā)緩解數(shù)據(jù)稀疏性問題，提高推薦精度。
　　第一，本文提出一種基于條件概率的算法，該算法從概率的角度可以挖掘傳統(tǒng)協(xié)同過濾算法發(fā)現(xiàn)不了的鄰居，并使得該鄰居對目標項目進行預測評分，然后綜合采用通常的協(xié)同過濾算法而獲取的鄰居對目標項目的評分，加權綜合后產(chǎn)

3、生最終的評分數(shù)值。
　　第二，在篩選鄰居的時候，放棄kNN選取固定k個鄰居的做法，而是設定一定的相似度閾值和共同評分項目數(shù)閾值，然后只將達到閾值的用戶作為目標用戶的鄰居，使選取的鄰居更加可靠。
　　第三，在對未評分目標項目進行預測時，分兩步進行。第一步設定嚴格的相似度閾值和共同評分項目數(shù)閾值，然后只將達到閾值的用戶作為目標用戶的鄰居，然后填充部分未評分項目；第二步，在第一步部分填充后得到的評分矩陣較原始評分矩陣將更為稠密，在