推薦系統(tǒng)中基于內(nèi)存的協(xié)同過濾算法研究.pdf

1、推薦系統(tǒng)是一種有效的數(shù)據(jù)挖掘手段，主要用于幫助用戶在海量的信息中快速尋找有用信息。個(gè)性化推薦技術(shù)常用的三種算法有：基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法以及兩者混合的算法。其中，協(xié)同過濾技術(shù)是目前推薦系統(tǒng)中應(yīng)用最成功也是最廣泛的技術(shù)，在理論研究和實(shí)踐中都取得了快速的發(fā)展。協(xié)同過濾技術(shù)是一種典型的利用群體智慧的方法，借鑒與目標(biāo)用戶有相似觀點(diǎn)的人群的意見進(jìn)行推薦。然而，傳統(tǒng)的協(xié)同過濾方法正面臨著數(shù)據(jù)稀疏、用戶相似性難以度量等問題的挑戰(zhàn)，

2、這些問題嚴(yán)重地影響了推薦系統(tǒng)的質(zhì)量。因此，本文針對上述問題，對協(xié)同過濾方法進(jìn)行了相應(yīng)的改進(jìn)，主要工作如下：
　?。?）提出了一種改進(jìn)的杰卡德統(tǒng)一算子（IJacUOD）相似度測量的方法。最近鄰的確定是協(xié)同過濾推薦方法中的關(guān)鍵步驟，一般需要通過度量兩個(gè)用戶或者兩個(gè)項(xiàng)目的相似度來確定，因此選擇合適的相似度計(jì)算方法對于協(xié)同過濾推薦來說至關(guān)重要。為了有效地選擇最近鄰，我們提出了一種改進(jìn)的杰卡德統(tǒng)一算子（IJacUOD）相似度測量方法，與傳統(tǒng)

3、的余弦（Cos）相似度策略、皮爾遜（Pearson）相關(guān)策略相比，該方法妥善地解決了不同長度向量差異對相似度的影響。
　?。?）提出了一種基于變權(quán)重均值填充的協(xié)同過濾算法。該方法首先利用用戶-項(xiàng)目評分矩陣中各個(gè)項(xiàng)目的平均分對評分矩陣進(jìn)行插值處理，從而提高了評分矩陣的數(shù)據(jù)密度，得到一個(gè)沒有缺失值的用戶-項(xiàng)目評分矩陣，而后利用變權(quán)重相似度策略計(jì)算用戶之間的相似度，尋找目標(biāo)用戶的最近鄰居集合，最后對通過鄰居集中的用戶評分對目標(biāo)用戶沒有評