基于改進(jìn)的個性化混合推薦算法的研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展，讓更多的信息出現(xiàn)在人們身邊，與日俱增的信息量為人們的生活提供了極大的便利，使人們在一定程度上擺脫了信息匱乏的困擾。但是在面對如此大的信息量時，要怎么樣精準(zhǔn)地獲取人們自己想要的信息卻成了一個令人困惑的問題?，F(xiàn)有的搜索工具在這樣海量的信息面前也顯得無能為力，而推薦系統(tǒng)的出現(xiàn)為人們的個性化需求帶來了福音，并且使得信息的獲取更加高效和便捷。
　　本文分析了基于協(xié)同過濾的推薦、基于內(nèi)容的推薦、基于圖的推薦、基于關(guān)聯(lián)挖掘的推

2、薦等常用推薦算法。雖然這些算法在不同領(lǐng)域中都有應(yīng)用，但是仍然存在自適應(yīng)能力不強(qiáng)、個性化能力不足等問題?；诖?，本文嘗試對現(xiàn)有的算法進(jìn)行改進(jìn)，將改進(jìn)后的算法按照一定的規(guī)則進(jìn)行混合。在分析了MovieLens數(shù)據(jù)集的基本特征后，本文用基于改進(jìn)后的個性化混合推薦算法在該數(shù)據(jù)集上進(jìn)行驗證，最終的結(jié)果證明，推薦的準(zhǔn)確率和覆蓋率都優(yōu)于傳統(tǒng)的推薦算法。
　　在算法改進(jìn)方面，本文將融合相似度后的基于項目的推薦、基于關(guān)聯(lián)挖掘的推薦和基于加權(quán)二部圖的

3、推薦混合在一起以提高推薦的效果。傳統(tǒng)的基于項目的推薦只用到了用戶的評分?jǐn)?shù)據(jù)，并沒有考慮到物品的屬性，比如對于電影來說，它的屬性可以有導(dǎo)演、演員、電影類型、電影的熱度、電影的質(zhì)量等。因此，本文在基于項目的協(xié)同過濾的基礎(chǔ)上，融入了基于內(nèi)容的推薦，并且在基于內(nèi)容的推薦時對不同的屬性賦予不同的權(quán)值，然后分別根據(jù)內(nèi)容信息和用戶評分?jǐn)?shù)據(jù)計算出的相似度進(jìn)行混合。在解決用戶的冷啟動問題方面，本文融入了基于關(guān)聯(lián)挖掘的推薦。因為基于關(guān)聯(lián)挖掘的推薦是根據(jù)找出

4、的頻繁項集后通過設(shè)定的置信度來產(chǎn)生推薦，所以推薦出來更多的是一些熱門的產(chǎn)品，這樣用戶的冷啟動問題便得到了很好的解決?；诙繄D的推薦作為近幾年研究新的推薦系統(tǒng)的分支也逐漸興起，它是將用戶和項目作為二部圖網(wǎng)絡(luò)的節(jié)點。在傳統(tǒng)的基于二部圖的推薦中，連接用戶和商品的連邊是沒有賦值權(quán)重的，不能體現(xiàn)用戶對項目的細(xì)微心里反應(yīng)。本文將用戶對項目的評分賦權(quán)值，并和上述兩種算法混合，以提高推薦系統(tǒng)準(zhǔn)確率和多樣性。同時，本文針對傳統(tǒng)協(xié)同過濾計算相似度的問題做