基于模糊理論和協(xié)同過濾的個性化推薦方法.pdf

1、隨著網(wǎng)絡技術的發(fā)展和持續(xù)完善，為使用戶獲得更好的用戶體驗，諸多個性化推薦系統(tǒng)不斷涌現(xiàn)。協(xié)同過濾技術是傳統(tǒng)個性化推薦系統(tǒng)中發(fā)展較為完善、應用較為廣泛的一種推薦技術，但隨著信息技術、網(wǎng)絡技術等的不斷發(fā)展，該系統(tǒng)自身固有的數(shù)據(jù)稀疏性、用戶/項目冷啟動以及系統(tǒng)可擴展性等問題越來越成為制約其發(fā)展的瓶頸所在。在實際生活中，兩個個體之間往往只在某一方面品味相似。傳統(tǒng)的個性化推薦算法往往忽略這一事實，在計算用戶相似度時將所有項目都考慮進來；另外，協(xié)同過

2、濾算法固有的稀疏性問題也會導致核心步驟中最近鄰很難被定位，系統(tǒng)的推薦效果收到了極大的影響。本文針對影音視聽領域廣泛使用的協(xié)同過濾推薦系統(tǒng)的某些缺陷進行改進，旨在深入挖掘用戶潛在興趣，在考慮用戶評分偏好和興趣遷移的基礎上，得到更為精確、多樣的推薦結果。
　　本文提出了一個基于模糊理論和協(xié)同過濾的個性化推薦方法。論文首先介紹了近年發(fā)展迅速的基于模糊理論的數(shù)據(jù)挖掘技術，為本文提出的個性化推薦方法提供技術支撐；隨后概述了個性化推薦系統(tǒng)中常

3、見的幾種推薦技術，并在討論現(xiàn)有電影推薦系統(tǒng)的基礎上，深入分析了協(xié)同過濾算法的優(yōu)缺點，提出了新的數(shù)學模型對傳統(tǒng)協(xié)同過濾技術進行改進；最后在原有工作基礎之上給出了基于模糊理論和協(xié)同過濾的個性化推薦方法的完整系統(tǒng)架構。首先在概念分層的基礎上，引入“隸屬度”和“可信度”概念，利用模糊支持向量機算法對項目進行模糊聚類，利用模糊C均值分類算法對各項目類的用戶進行可信度量，提出的個性化推薦方法利用上述方法，從兩個角度入手通過簡單降維和縮減數(shù)據(jù)集的方式

4、，既改善了稀疏性問題，又可以降低推薦搜索范圍，進而提高算法的可擴展性；其次，通過引入“評分偏好”和“興趣遷移度”概念，提出新的用戶相似性度量方法和預測評分公式，對傳統(tǒng)協(xié)同過濾技術進行改進，使改進后的協(xié)同過濾推薦準確度有一定程度的改善；最終，改進后的協(xié)同過濾技術對每一個項目類進行分別推薦后，整合每個項目類中推薦項目的所有相關信息并利用本文定義提出的加權模型對其進行加權排序，完成最終推薦。結果證明，提出的個性化推薦方法既可以擴展推薦結果的多