基于鄰域的協(xié)同過濾推薦系統(tǒng)相似度研究.pdf

1、在當今這個信息過載的時代，如何有效地選擇和推薦滿足用戶需求的信息，已經(jīng)成為服務計算領域的關鍵問題之一。推薦系統(tǒng)能有效地減輕用戶的認知負擔，為其提供個性化的服務和信息。協(xié)同過濾推薦系統(tǒng)是現(xiàn)有推薦系統(tǒng)中最流行，應用最廣泛一種?；卩徲虻膮f(xié)同過濾推薦系統(tǒng)是最早出現(xiàn)的協(xié)同過濾系統(tǒng)，因其簡單、高效及可解釋性好，可擴展性和穩(wěn)定性強等特點，被廣泛應用于商業(yè)系統(tǒng)之中。其主要思想是根據(jù)近鄰的喜好來產(chǎn)生推薦，沒有近鄰就無法進行推薦。近鄰的選擇是通過度量彼此

2、之間的相似度來完成的?，F(xiàn)有的相似度計算方法是通過比較評價矩陣中兩個向量的共同評價部分得到的。沒有共同評價就無法度量相似度，從而導致無法推薦。在實際應用中，評價矩陣的稀疏性往往導致共同評價部分過少甚至沒有，造成現(xiàn)有的相似度度量方法會出現(xiàn)計算不準確甚至無法計算的問題。
　　本文針對現(xiàn)有的相似度計算方法中存在的計算不準確，不完整，以及無法計算的問題，展開一系列研究工作，主要的研究內(nèi)容和創(chuàng)新性可以歸納為以下幾個方面:
　　(1)本文

3、提出了一種整體性相似度計算方法?，F(xiàn)有的相似度計算方法是通過比較共同評價而不是所有評價得到的。評價數(shù)據(jù)的稀疏性會導致共同評價部分往往較少，由此造成所得到的相似度只能反映出局部的相似性，而與其實際整體的相似性存在偏差。用戶和物品評價矩陣越稀疏，共同評價就越少，相似度偏差也越大。為此，我們將所有評價的整體相似度和原有的共同評價的局部相似度相結(jié)合，提出一種新的相似度度量方法，并在此基礎上對其準確性做出進一步改進。該方法能保持其原有方法的簡單性和

4、高效性。實驗結(jié)果表明，新的相似度計算方法產(chǎn)生的推薦結(jié)果比現(xiàn)有方法更準確。
　　(2)本文提出了一種傳遞相似度計算方法?；卩徲虻耐扑]方法是依靠相似的近鄰來產(chǎn)生推薦的，而近鄰的選擇則是根據(jù)相似度來篩選的。用戶和物品評價矩陣的稀疏性會導致共同評價部分非常稀少甚至沒有。沒有共同評價部分就意味著相似度無法度量，無法度量相似度也就無法選擇近鄰，最終導致無法產(chǎn)生推薦結(jié)果。對此，我們采用“朋友的朋友是朋友”的策略，將兩個無法直接度量相似性的用戶

5、或物品，通過與第三方的相似關系，間接地計算出雙方之間的相似性。該方法不僅可以處理因為沒有共同評價而無法度量相似度問題，還可以修正因共同評價過少而造成相似度不準確的情況。實驗結(jié)果表明，傳遞相似度計算方法是有效的，尤其是在評價非常稀疏時，能產(chǎn)生更多的推薦結(jié)果，對現(xiàn)有相似度計算方法是一個很好的補充。
　　(3)本文提出了一種基于負相關的相似度計算方法。基于鄰域的協(xié)同過濾推薦系統(tǒng)中通常都是采用基于相關性的相似度計算方法，由此得到相關性有正

6、相關和負相關。正相關可以直接反映出兩個用戶或兩個物品之間的相似關系相似度，因此被認為是可靠的相似度。而負相關由于不能直接反映出相似關系而往往被過濾掉。沒有正相關就意味著相似性無法計算。對此，在兩個用戶或物品因為沒有正相關而無法度量其相似性的時候，我們采用“敵人的敵人是朋友”的策略，通過負相關找到“敵人”的“敵人”，并將其作為自己的朋友來產(chǎn)生推薦。該方法可以應對因沒有正相關性而無法度量相似度的問題，同時也可以修正因共同評價過少而正相關相似