面向數(shù)據(jù)稀疏的個(gè)性化推薦算法研究與改進(jìn).pdf

1、隨著互聯(lián)網(wǎng)技術(shù)和電子商務(wù)系統(tǒng)的快速發(fā)展，網(wǎng)絡(luò)上的信息數(shù)據(jù)開始呈指數(shù)型增長(zhǎng)。面對(duì)網(wǎng)上海量的數(shù)據(jù)，人們?cè)絹碓诫y以獲取自己感興趣的信息，這便是“信息超載”問題。為了解決這個(gè)問題，推薦系統(tǒng)應(yīng)運(yùn)而生，它能夠根據(jù)用戶偏好提供個(gè)性化推薦服務(wù)。目前，在眾多的個(gè)性化推薦技術(shù)中，協(xié)同過濾推薦技術(shù)依靠其獨(dú)有的優(yōu)勢(shì)，在電子商務(wù)領(lǐng)域得到了廣泛地應(yīng)用，但是傳統(tǒng)的協(xié)同過濾算法存在冷啟動(dòng)、數(shù)據(jù)稀疏和可擴(kuò)展性問題，如何解決這些問題一直是推薦系統(tǒng)領(lǐng)域研究的主要課題。

2、>　　本文針對(duì)協(xié)同過濾技術(shù)中的數(shù)據(jù)稀疏問題和用戶興趣遷移問題，主要研究了傳統(tǒng)的協(xié)同過濾推薦算法、基于奇異值分解的協(xié)同過濾算法和基于用戶興趣遷移的協(xié)同過濾算法。
　　首先，本文介紹了個(gè)性化推薦系統(tǒng)的發(fā)展背景，詳細(xì)闡述了協(xié)同過濾推薦算法的基本原理以及常用的相似性度量方法，并簡(jiǎn)單介紹了推薦系統(tǒng)中幾種常用的推薦評(píng)價(jià)指標(biāo)。
　　其次，針對(duì)用戶評(píng)分稀疏的問題，深入研究了基于奇異值分解的協(xié)同過濾算法，著重介紹了算法的實(shí)現(xiàn)步驟與存在的問題，

3、然后提出基于奇異值分解和項(xiàng)目屬性的推薦算法，通過利用可知的項(xiàng)目屬性信息提高項(xiàng)目之間相似度計(jì)算的可靠性。在MovieLens數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將改進(jìn)的推薦算法與傳統(tǒng)的協(xié)同過濾推薦算法、傳統(tǒng)的基于奇異值分解的協(xié)同過濾算法進(jìn)行對(duì)比分析。
　　最后，針對(duì)用戶興趣可能會(huì)隨時(shí)間變化的問題，提出基于用戶興趣遷移的協(xié)同過濾算法，在預(yù)測(cè)評(píng)分階段為每個(gè)用戶評(píng)分賦予一個(gè)時(shí)間權(quán)重，使得近期用戶評(píng)分具有更大的權(quán)重。在MovieLens數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將本