協(xié)同過濾推薦算法的若干問題研究.pdf

1、推薦系統(tǒng)通過預(yù)測用戶對項目的喜好程度來為用戶進行信息過濾，應(yīng)用知識發(fā)現(xiàn)技術(shù)來生成個性化推薦。協(xié)同過濾是一種常用的減少信息過載的技術(shù)，已經(jīng)成為了個性化推薦系統(tǒng)的一種主要工具，被廣泛應(yīng)用于電子商務(wù)網(wǎng)站的推薦系統(tǒng)。但隨著系統(tǒng)結(jié)構(gòu)、內(nèi)容的復(fù)雜度和用戶人數(shù)的不斷增加，協(xié)同過濾技術(shù)的一些缺點逐漸暴露出來，主要有精確性、數(shù)據(jù)稀疏性、冷啟動、可擴展性和安全性問題。 協(xié)同過濾算法主要分為基于內(nèi)存的協(xié)同過濾和基于模型的協(xié)同過濾兩類，這兩類算法的典型

2、代表分別為最近鄰協(xié)同過濾算法和基于奇異值分解的算法，前者因其簡單適用而被廣泛應(yīng)用于電子商務(wù)推薦系統(tǒng)，卻通常因數(shù)據(jù)的極度稀疏性和相似度度量方法的弊端導(dǎo)致算法的精度下降。后者則通過矩陣奇異值分解的降維技術(shù)一定程度解決了數(shù)據(jù)稀疏性問題，然而目前國內(nèi)對該算法的安全性研究較少。本文將分別以上述兩種算法為載體，研究算法的數(shù)據(jù)稀疏性問題和安全性問題。 為解決協(xié)同過濾算法中數(shù)據(jù)稀疏性問題和傳統(tǒng)相似度度量方法的弊端，本文研究了最近鄰協(xié)同過濾算法在

3、不同的稀疏性問題解決方案下各相似度方法的優(yōu)化對算法性能的影響。通過實驗對現(xiàn)有的各種常用相似度進行了基于用戶評分項目并集和基于相關(guān)加權(quán)因子的優(yōu)化，分別確定了基于稀疏評分矩陣、缺省評分矩陣和奇異值分解(SVD)預(yù)測評分矩陣的最近鄰算法中的最優(yōu)相似度方法，有效地提高了各情況下算法的推薦精度。 為解決協(xié)同過濾推薦系統(tǒng)遭受的欺詐攻擊帶來的安全性問題，本文研究了典型的基于奇異值分解的協(xié)同過濾算法的抵御攻擊的能力，通過設(shè)計不同規(guī)模和攻擊意圖的