面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的普及以及現(xiàn)代電子商務(wù)的快速發(fā)展，網(wǎng)絡(luò)上的信息呈指數(shù)增長的趨勢，從而出現(xiàn)了所謂的“信息爆炸”和“信息過載”現(xiàn)象。個性化推薦技術(shù)是解決信息過載問題的有效手段。作為當前應用最廣泛的個性化推薦技術(shù)之一，協(xié)同過濾推薦技術(shù)的核心思想是協(xié)同合作。近些年來，雖然協(xié)同過濾推薦技術(shù)在實際應用中取得了巨大的成功，但同樣面臨著嚴峻的問題。其中，最難解決的問題就是數(shù)據(jù)稀疏問題。數(shù)據(jù)稀疏問題是推薦系統(tǒng)中用戶和項目數(shù)據(jù)不斷增加的必然結(jié)果，因為用戶給予評分

2、的項目數(shù)量很有限，導致了用戶評分矩陣稀疏，而協(xié)同過濾推薦算法是根據(jù)用戶的歷史評分數(shù)據(jù)實現(xiàn)對用戶的推薦。因此，數(shù)據(jù)稀疏問題成為制約協(xié)同過濾推薦算法推薦結(jié)果準確性的一個重要因素。本文主要研究面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法。首先，從兩個角度出發(fā)分析傳統(tǒng)協(xié)同過濾推薦算法在數(shù)據(jù)稀疏情況下的弊端。然后，在此基礎(chǔ)上，本文提出了兩種改進算法：融合爭議度特征的協(xié)同過濾推薦算法和基于項目遞歸關(guān)系的協(xié)同過濾推薦算法。最后，本文將提出的算法應用到實際的平臺中以

3、檢驗其實用性。具體研究內(nèi)容如下：
　　 ⑴分析了傳統(tǒng)的計算項目相似度方法在數(shù)據(jù)稀疏情況下計算項目相似度不準確問題。本文從項目間的整體評分角度出發(fā)，提出了爭議相似度的概念，并將爭議度特征融合到基于項目之間共同用戶評分的傳統(tǒng)相似度算法中，進而提出了融合項目爭議度特征的協(xié)同過濾推薦算法，緩解了傳統(tǒng)算法在稀疏數(shù)據(jù)情況下相似度計算不準確的問題。實驗結(jié)果表明該算法在數(shù)據(jù)稀疏環(huán)境下可以明顯提升推薦質(zhì)量。
　　 ⑵分析了現(xiàn)有協(xié)同過濾推薦

4、算法在預測目標用戶對于目標項目評分時導致了數(shù)據(jù)的進一步稀疏化的原因。在此基礎(chǔ)上,將項目間的遞歸關(guān)系融入?yún)f(xié)同過濾推薦算法，利用遞歸的思想提出一種基于項目遞歸關(guān)系的協(xié)同過濾推薦算法，基于項目遞歸關(guān)系的協(xié)同過濾推薦算法能夠充分利用了稀疏數(shù)據(jù)情況下用戶評分信息，避免了預測目標用戶對于項目評分時數(shù)據(jù)的進一步稀疏化，實驗結(jié)果表明該算法可以有效地緩解協(xié)同過濾推薦中的數(shù)據(jù)稀疏問題。
　　 ⑶將本文提出的兩種算法應用在《圖書館交互式科研管理平臺》