協(xié)同過濾技術(shù)及其在推薦系統(tǒng)中的應(yīng)用研究.pdf

1、隨著Internet的迅猛發(fā)展，網(wǎng)站中的信息急劇增長，人們想要發(fā)現(xiàn)、收集和維護(hù)自己所需的信息需要花費(fèi)大量的時(shí)間和精力，“信息超載”現(xiàn)象越來越嚴(yán)重。推薦系統(tǒng)是解決這一問題的有效方案，它根據(jù)用戶的特征，推薦滿足用戶需求的對(duì)象，實(shí)現(xiàn)個(gè)性化服務(wù)。推薦系統(tǒng)在電子商務(wù)環(huán)境下的作用尤為突出，它可以從三個(gè)方面提高網(wǎng)站的收益:將電子商務(wù)網(wǎng)站瀏覽者轉(zhuǎn)變?yōu)橄M(fèi)者;提高電子商務(wù)網(wǎng)站交叉銷售能力;建立電子商務(wù)網(wǎng)站客戶忠誠度。
　　 協(xié)同過濾是目前推薦系統(tǒng)

2、中廣泛使用的最成功的推薦技術(shù)。它首先找出一組與目標(biāo)用戶偏好一致的鄰居用戶，然后對(duì)鄰居用戶進(jìn)行分析，把鄰居用戶喜歡的項(xiàng)目推薦給目標(biāo)用戶。協(xié)同過濾不需要考慮項(xiàng)目的內(nèi)容，且易于實(shí)現(xiàn)，許多大型網(wǎng)站都應(yīng)用了協(xié)同過濾技術(shù)為用戶提供個(gè)性化服務(wù)。盡管協(xié)同過濾在個(gè)性化推薦方面取得了巨大成功，但卻面臨著數(shù)據(jù)稀疏性、多內(nèi)容、可擴(kuò)展性和群體推薦等關(guān)鍵問題，這些問題制約著其進(jìn)一步發(fā)展，因此需要對(duì)這些問題展開深入的研究。
　　 本文的主要研究內(nèi)容如下:

3、r>　　 (1)對(duì)協(xié)同過濾領(lǐng)域的國內(nèi)外研究進(jìn)行了全面梳理，在此基礎(chǔ)上闡述了協(xié)同過濾的基本知識(shí)，提煉了協(xié)同過濾中存在的關(guān)鍵問題，并介紹了國內(nèi)外研究人員對(duì)這些問題的研究現(xiàn)狀。
　　 (2)最近鄰選擇是協(xié)同過濾的核心步驟，通常的做法是計(jì)算目標(biāo)用戶與其他用戶的相似性，選擇相似性最高的前七個(gè)用戶作為目標(biāo)用戶的最近鄰。然而，由于用戶的評(píng)分向量異常高維、稀疏，使得協(xié)同過濾中的最近鄰搜尋結(jié)果不夠合理，從而導(dǎo)致較差的推薦質(zhì)量較差。基于此，提出一

4、種有效的最近鄰選擇方法—兩階段最近鄰選擇算法。給出近鄰傾向性的定義，形成初始近鄰集合;通過等價(jià)關(guān)系相似性對(duì)初始近鄰集合進(jìn)行修正，使搜尋到的最近鄰更加合理。
　　 (3)針對(duì)協(xié)同過濾的多內(nèi)容問題，提出了一種基于項(xiàng)類偏好的協(xié)同過濾推薦算法。首先為目標(biāo)用戶找出一組項(xiàng)類偏好一致的候選鄰居，候選鄰居與目標(biāo)用戶興趣相近，共同評(píng)分較多。然后在候選鄰居中搜尋目標(biāo)用戶的最近鄰，從整體上提高最近鄰搜尋的準(zhǔn)確性。
　　 (4)針對(duì)協(xié)同過濾的可

5、擴(kuò)展性問題，提出了一種改進(jìn)的近鄰傳播聚類算法。采用灰關(guān)系等級(jí)和Jaccard系數(shù)對(duì)用戶相似度矩陣進(jìn)行定義，緩解評(píng)分?jǐn)?shù)據(jù)的稀疏性，提高算法的聚類質(zhì)量。對(duì)于算法產(chǎn)生的n個(gè)初始聚類，保留Silhouette值較大的前k個(gè)聚類，將剩余聚類中的用戶按所屬類的Silhouette值分配到相應(yīng)的聚類中，產(chǎn)生指定類數(shù)的聚類，加快聚類速度。與原始近鄰傳播聚類算法相比，新算法在處理協(xié)同過濾可擴(kuò)展性問題方面具有更好的性能。
　　 (5)盡管傳統(tǒng)的協(xié)同

6、過濾推薦系統(tǒng)在個(gè)體用戶推薦方面取得了巨大成功，但它并不適用于向群體用戶進(jìn)行推薦。隨著虛擬社區(qū)中群體用戶的不斷增加，構(gòu)建群體推薦系統(tǒng)，向群體用戶提供個(gè)性化推薦，減少他們搜集信息所耗費(fèi)的時(shí)間和精力顯得越來越重要?；诖?，提出了一種新穎的推薦方法—結(jié)合領(lǐng)域?qū)＜曳ǖ娜后w用戶推薦算法。該算法以基于項(xiàng)目的協(xié)同過濾技術(shù)為基礎(chǔ)，根據(jù)群體成員間的相互作用確定群體偏好，由群體偏好產(chǎn)生推薦，推薦過程中存在的成員未評(píng)分項(xiàng)采用領(lǐng)域?qū)＜曳ㄟM(jìn)行預(yù)測填充。此外新算法還