好友推薦中的協(xié)同過濾算法研究及應用.pdf

1、協(xié)同過濾算法已經(jīng)廣泛應用于推薦系統(tǒng)中，而基于協(xié)同過濾的推薦算法之關(guān)鍵是相似度計算。雖然已經(jīng)有許多成熟的相似度計算方法，但是基于協(xié)同過濾的推薦算法在數(shù)據(jù)稀疏的情況下表現(xiàn)并不令人滿意。同時，新用戶或新物品的“冷啟動”問題是基于協(xié)同過濾的推薦算法中存在的另一個問題。針對這些問題，本文提出了兩種改進算法，在實驗數(shù)據(jù)和實際應用中取得了良好的效果。
　　首先，本文研究了九種已知的相似度算法，并根據(jù)這九種已知的相似度算法的設計思想提出了一種新的

2、相似度算法PSJ（Proximity-Significance-Jaccard），它考慮了用戶評分差值、用戶全局評分偏好和用戶共同評分物品數(shù)三個因素;同時它的Proximity因子使用指數(shù)函數(shù)反映用戶評分差值對用戶相似度的影響并避免了零除問題;另外，將NHSM(new heuristic similarity model)方法中的Significance因子和URP因子合并成它的Significance因子，這使得它的計算復雜度低于NH

3、SM方法;而且，PSJ考慮了用戶間的評分差值和用戶全局評分兩個因素提高在數(shù)據(jù)稀疏情況下的推薦效果，實驗結(jié)果證明PSJ相似度算法相對于對比相似度算法可以提升推薦效果。
　　其次，針對基于PSJ相似度算法的協(xié)同過濾推薦方法在數(shù)據(jù)稀疏度達到99.99％時表現(xiàn)不是很理想，同時該方法存在的新物品的“冷啟動”問題。本文基于矩陣分解算法能夠提升推薦系統(tǒng)在上面兩種情況下的推薦效果，提出了一種基于PSJ相似度算法的矩陣分解推薦算法。該方法首先使用P

4、SJ相似度算法計算用戶相似度，然后使用矩陣分解算法處理用戶-用戶相似度矩陣，最終根據(jù)用戶-用戶相似度矩陣產(chǎn)生推薦結(jié)果。經(jīng)過實驗證明新方法相較于基于PSJ相似度算法的協(xié)同過濾推薦算法能夠提升推薦效果
　　最后，將兩種推薦算法應用到了專注于籃球運動社交網(wǎng)絡平臺“我奧網(wǎng)”的好友推薦功能上，這個平臺擁有大量注冊用戶的職業(yè)生涯數(shù)據(jù)記錄和聯(lián)賽數(shù)據(jù)記錄，本文的推薦算法通過使用用戶比賽數(shù)據(jù)計算用戶之間的相似度，最終為用戶推薦和他運動數(shù)據(jù)相似的用戶