融合項目屬性相似度和評分相似度的協(xié)同過濾推薦算法.pdf

1、互聯(lián)網(wǎng)技術(shù)的日益成熟以及互聯(lián)網(wǎng)用戶的高速增長，使得越來越多的行業(yè)和企業(yè)加入到互聯(lián)網(wǎng)中來，導致互聯(lián)網(wǎng)信息的急劇增長。面對越來越多，越來越復雜的信息，用戶無法及時的準確的從海量的信息中選取滿足自身需求的信息，這就是“信息過載”問題。為了解決該問題，各種個性化推薦系統(tǒng)應運而生，其中應用的最成功和成熟的技術(shù)是協(xié)同過濾，但是日趨增長的用戶數(shù)量和項目數(shù)量，以及信息的有效性和及時性都對協(xié)同過濾推薦算法提出了更嚴峻的考驗。本文重點研究協(xié)同過濾推薦算法，

2、在傳統(tǒng)協(xié)同過濾推薦算法的基礎上，進行了改進，針對傳統(tǒng)協(xié)同過濾推薦算法中數(shù)據(jù)稀疏和低流行度項目被推薦率低等問題，提出了一種融合項目屬性相似度和評分相似度的協(xié)同過濾推薦算法。本文的主要研究內(nèi)容如下：
　　首先，針對傳統(tǒng)協(xié)同過濾推薦算法中用戶項目評分矩陣的數(shù)據(jù)稀疏問題，考慮到項目屬性對項目相似度計算的影響，提出一種融合信息熵的加權(quán)Jaccard系數(shù)的屬性相似度計算方法，能夠有效的緩解數(shù)據(jù)稀疏問題，提高相似度計算的準確性。
　　其次

3、，針對傳統(tǒng)協(xié)同過濾推薦算法中的相似度計算準確性差，低流行度項目被推薦率低等問題，考慮用戶活躍度和項目流行度對項目相似度計算的影響，引入相關性懲罰因子，提出一種融合用戶活躍度和項目流行度的評分相似度計算方法，在保證推薦精度的情況下，提高了低流行度項目的被推薦率。
　　再次，結(jié)合兩種改進的相似度計算方法，提出一種融合項目屬性相似度和評分相似度的協(xié)同過濾推薦算法，通過將計算得到的屬性相似度矩陣和評分相似度矩陣線性組合，得到項目的綜合相似