結(jié)合項目分類和云模型的協(xié)同過濾算法研究.pdf

1、隨著電子商務個性化推薦服務的發(fā)展進步，網(wǎng)購模式逐漸從以用戶海量檢索為主的單一購物方式轉(zhuǎn)變?yōu)橐韵到y(tǒng)個性化推薦為代表的多元化個性化購物方式。作為個性化推薦服務核心內(nèi)容的協(xié)同過濾技術(shù)正成為當前的研究重點。但在實際應用中，協(xié)同過濾技術(shù)普遍存在因數(shù)據(jù)稀疏性和冷啟動引起的低推薦質(zhì)量問題，以及因數(shù)據(jù)更新重復計算相似度引起的可擴展性差問題。上述兩個問題的存在從根本上制約了推薦系統(tǒng)整體質(zhì)量的提高。
　　 針對目前協(xié)同過濾技術(shù)中存在的上述兩方面問題

2、，本文提出了一種基于項目分類的協(xié)同過濾改進算法；并在此改進算法基礎上，引入云模型技術(shù)，有效地克服了傳統(tǒng)基于云模型協(xié)同過濾算法的誤推薦問題。本文主要有以下三方面研究內(nèi)容：
　　 第一，針對用戶評分數(shù)據(jù)稀疏性和用戶最近鄰尋找的不準確性問題，提出了一種基于項目分類的協(xié)同過濾改進算法。算法預處理數(shù)據(jù)集后，首先利用項目分類信息為類內(nèi)未評分項目預測評分值，然后通過計算類內(nèi)用戶間的相似度準確地獲取目標用戶興趣最近鄰，最后進行推薦。
　　

3、 第二，對定性定量知識轉(zhuǎn)換的新興技術(shù)--云模型的研究學習表明，利用云模型特征向量取代傳統(tǒng)用戶評分向量計算相似度，可以獲得更為準確的最近鄰，從而解決了傳統(tǒng)計算方法中因嚴格匹配對象屬性而產(chǎn)生的誤推薦問題。但其缺點是僅給出針對用戶所有興趣的相同推薦集，而不提供用戶特定興趣的分類推薦集。
　　 第三，為了解決上述云模型算法的固有缺陷，進一步提高推薦質(zhì)量，結(jié)合項目分類和云模型提出了一種改進的協(xié)同過濾推薦算法。算法首先按項目分類得到類別矩

4、陣，接著利用云模型計算類內(nèi)項目間的相似度并獲取具有最高相似度的鄰居項目的評分，為類內(nèi)未評分項目進行預測填充。然后，再利用云模型計算類內(nèi)用戶間的相似度得到用戶鄰居，最后給出最終的預測評分并產(chǎn)生推薦。
　　 最后，本文使用Matlab軟件，借助MovieLens站點提供的數(shù)據(jù)集分別對上述兩種算法進行了模擬實驗。實驗結(jié)果表明：基于項目分類的算法能夠針對用戶不同的興趣產(chǎn)生分類推薦集，并通過僅更新新增項目所屬類，有效地提高了算法的執(zhí)行效率