基于項(xiàng)目的協(xié)同過濾算法的改進(jìn).pdf

1、隨著Internet技術(shù)的飛速發(fā)展，信息的規(guī)模呈爆炸式增長。人們在享受豐富的信息資源同時(shí)，也面臨著難以快速的從海量信息資源中尋找出自己需要的信息的困擾。為了幫助人們快速高效地從海量信息中找到符合自己需求的信息，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)是一種重要的信息過濾工具，它可以在用戶不顯示表達(dá)自己信息需求的情境下，根據(jù)用戶以往瀏覽網(wǎng)頁時(shí)留下的評(píng)分和評(píng)論等歷史行為數(shù)據(jù)，主動(dòng)向用戶提供信息推送服務(wù)。推薦系統(tǒng)的核心構(gòu)件是推薦算法，目前使用最為成功的推薦

2、算法是協(xié)同過濾算法，然而，該算法目前仍然面臨著諸多的挑戰(zhàn)，如使用的評(píng)分矩陣的稀疏性問題，算法的可擴(kuò)展性問題，推薦結(jié)果的實(shí)時(shí)性問題等。在協(xié)同過濾算法中，基于項(xiàng)目的協(xié)同過濾算法一般會(huì)表現(xiàn)出相對(duì)更好的性能，因此本文也是基于該算法展開的研究。
　　基于項(xiàng)目的協(xié)同過濾算法運(yùn)行過程中，最關(guān)鍵的步驟就是項(xiàng)目近鄰集合的搜索。由于算法運(yùn)行過程中所使用的用戶-項(xiàng)目評(píng)分矩陣異常稀疏，導(dǎo)致項(xiàng)目近鄰搜索的準(zhǔn)確性一直受到很大的限制，盡管目前也有很多現(xiàn)有項(xiàng)目相

3、似度計(jì)算模型已經(jīng)能夠較好緩解由于近鄰搜索的不準(zhǔn)確問題而造成的推薦不準(zhǔn)確問題，但是仍然有一些沒有考慮到的因素。本文基于對(duì)現(xiàn)有的一些相似度計(jì)算模型進(jìn)行深入研究分析的基礎(chǔ)上，提出一種新的綜合項(xiàng)目相似度計(jì)算模型，然后再通過引入聚類思想，對(duì)傳統(tǒng)的協(xié)同過濾算法進(jìn)行改進(jìn)，從而在保證近鄰搜索準(zhǔn)確度的情況下加快近鄰的搜索過程。
　　在建立的新的項(xiàng)目相似度計(jì)算模型時(shí)，本文綜合考慮了用戶的相似喜好信息、共同評(píng)分信息、項(xiàng)目平均得分的差異性信息和以及用戶評(píng)

4、分的敷衍性等因素，從而提出了本文的JAVWeightedModel；由于JAVWeightedModel項(xiàng)目綜合相似度模型計(jì)算的時(shí)間復(fù)雜度較高，本文為了加快近鄰的搜尋的過程，又引入了K-Center聚類算法，并將JAVWeightedModel模型融入到K-Center聚類過程中，最后使用改進(jìn)后的K-Center算法對(duì)協(xié)同過濾算法進(jìn)行改進(jìn)，從而在盡可能保證項(xiàng)目近鄰搜索準(zhǔn)確度的前提下，進(jìn)一步提高近鄰的搜索速度。
　　最后通過在不同規(guī)