個(gè)性化推薦系統(tǒng)中基于用戶的協(xié)同過(guò)濾算法與系統(tǒng)架構(gòu)的研究與優(yōu)化.pdf

1、信息技術(shù)和移動(dòng)設(shè)備的成熟與發(fā)展，使網(wǎng)上服務(wù)與交易等業(yè)務(wù)越來(lái)越普及，大量的信息被聚集起來(lái)引發(fā)了數(shù)據(jù)的爆炸式增長(zhǎng)。如何解決信息過(guò)載是人工智能與大數(shù)據(jù)時(shí)代面臨的一個(gè)重要難題。而推薦系統(tǒng)是解決信息過(guò)載問(wèn)題的一個(gè)非常有潛力的技術(shù)，它能夠在用戶沒(méi)有明確目標(biāo)的時(shí)候幫助他們發(fā)現(xiàn)感興趣的新內(nèi)容，是個(gè)性化服務(wù)研究領(lǐng)域的重要分支。在推薦系統(tǒng)的探究進(jìn)程中，協(xié)同過(guò)濾算法被公認(rèn)為最著名、應(yīng)用最廣泛的推薦算法，其核心思想是利用歷史行為數(shù)據(jù)挖掘某種相似性來(lái)進(jìn)行推薦，但

2、與此同時(shí)也存在著諸如冷啟動(dòng)、數(shù)據(jù)稀疏、預(yù)測(cè)精確性不足等問(wèn)題。
　　本論文針對(duì)現(xiàn)有推薦系統(tǒng)的問(wèn)題進(jìn)行了以下三個(gè)方面的研究:
　　1、對(duì)推薦系統(tǒng)架構(gòu)進(jìn)行優(yōu)化，設(shè)置了自適應(yīng)反饋機(jī)制，通過(guò)增加反饋環(huán)節(jié)，利用獲取的用戶反饋、上下文、以及群組信息不斷調(diào)節(jié)融合參數(shù)，構(gòu)成自適應(yīng)閉環(huán)系統(tǒng)。使系統(tǒng)能夠個(gè)性化地為用戶選擇最適于用戶特征的推薦算法。
　　2、在分析了多種推薦方法的基礎(chǔ)上，重點(diǎn)研究推薦系統(tǒng)方法中的協(xié)同過(guò)濾算法，并針對(duì)基于用戶的協(xié)

3、同過(guò)濾算法進(jìn)行了優(yōu)化，提出了一種新的基于欄目與懲罰度的協(xié)同過(guò)濾推薦算法。其主要思想是采用一種基于欄目行為偏好與懲罰項(xiàng)因子相融合的方法來(lái)測(cè)量用戶偏好相似性。該算法有效利用了屬性層次、行為層次和評(píng)分層次信息，通過(guò)在MovieLens數(shù)據(jù)集上進(jìn)行交叉驗(yàn)證仿真，實(shí)驗(yàn)結(jié)果表明，與協(xié)同過(guò)濾算法相比該算法大大提升了各項(xiàng)評(píng)測(cè)指標(biāo)。
　　3、通過(guò)對(duì)自然語(yǔ)言處理的研究，考慮將隱含狄利克雷分布(Latent DirichletAllocation，LD

4、A)與推薦系統(tǒng)結(jié)合。本論文提出了一種基于LDA特征提取的協(xié)同過(guò)濾推薦算法，通過(guò)主題模型生成相應(yīng)主題以及在每個(gè)主題上的分布概率，以方便建立物品-特征向量。最后通過(guò)本論文提出的用戶相似度計(jì)算方法，即加入權(quán)重距離因子的改進(jìn)用戶相似度計(jì)算方法，生成最近鄰居集完成推薦。本論文按照數(shù)據(jù)挖掘基本流程在豆瓣圖書數(shù)據(jù)集上完成實(shí)驗(yàn)仿真，實(shí)現(xiàn)了利用文本描述信息進(jìn)行推薦的目標(biāo)，并且獲得了良好的推薦效果。
　　通過(guò)以上研究，為推薦系統(tǒng)的進(jìn)一步廣泛應(yīng)用提供了