基于柯西分布量子粒子群的混合推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)業(yè)務(wù)的迅速發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，巨大的信息量在給用戶帶來方便快捷的體驗同時也使信息的利用率降低，用戶常常會因此而迷失其中，致使出現(xiàn)了信息膨脹也稱作信息過載的問題。推薦系統(tǒng)的出現(xiàn)有效地緩解了這一矛盾。但是，數(shù)據(jù)的稀疏性、冷啟動以及忽略用戶興趣遷移等問題的存在卻阻礙著推薦系統(tǒng)進一步的發(fā)展。本課題的目的就是解決這些問題。
　　本文提出了一種基于柯西分布量子粒子群的混合推薦算法。該算法首先構(gòu)建了基于時間因子的混合推薦模型，然后

2、，在該模型的基礎(chǔ)之上，利用柯西分布量子粒子群算法搜索模型中的最優(yōu)參數(shù)組合?；跁r間因子的混合推薦模型是通過把用戶和項目的特征屬性信息添加到傳統(tǒng)的協(xié)同過濾推薦算法中構(gòu)建而成的。這樣做有兩點優(yōu)勢：
　　(1)在計算用戶或項目的相似度時，如果用戶評分矩陣過于稀疏，影響相似度的計算，那么就可以利用內(nèi)容信息進行計算，可以有效克服數(shù)據(jù)稀疏性的影響；
　　(2)在新用戶或者新項目加入進來的時候，可以利用用戶和項目的內(nèi)容信息進行相似度的計算

3、以及推薦等工作，能夠有效抑制冷啟動的影響。除此之外，在模型建立過程中還做了兩方面的改進，一方面是改進了相似度的計算方法，另一方面是引入了能夠代表用戶興趣遷移特性的時間因子。進一步地，用戶的特征屬性信息通常包括性別、年齡、職業(yè)、居住地等很多方面，以往的推薦算法中并沒有考慮這些特征對實際應(yīng)用的推薦問題是否真的有影響。實際上，考慮所有的特征所得到的推薦結(jié)果不一定是最準確的，還可能增加不必要的計算量。于是，本文對基于時間因子的混合推薦模型進行優(yōu)

4、化，利用改進的離散粒子群算法搜索最優(yōu)的用戶屬性特征組合。最后，優(yōu)化后的混合推薦模型共涉及5個參數(shù)，分別為：用戶評分和內(nèi)容權(quán)值、項目評分和內(nèi)容權(quán)值、基于用戶推薦和基于項目推薦權(quán)值、用戶最近鄰居閾值和項目最近鄰居閾值。如果人為進行選擇，工作量極大。因此，本文采用柯西分布量子粒子群算法來搜索模型中的最優(yōu)參數(shù)組合，以提高推薦效果。
　　本文提出的算法與傳統(tǒng)的協(xié)同過濾推薦算法以及利用粒子群和人工蜂群進行參數(shù)搜索的算法進行比較分析。實驗結(jié)果表