推薦系統(tǒng)中的協(xié)同過濾算法研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，當(dāng)今時代已經(jīng)是一個信息過載的時代。為了解決信息過載問題，很多研究人員開始研究推薦系統(tǒng)，對用戶的歷史行為進行挖掘，對用戶興趣進行建模，對用戶未來的行為進行預(yù)測。推薦系統(tǒng)的任務(wù)就是聯(lián)系用戶和信息，一方面幫助用戶發(fā)現(xiàn)對自己有價值的信息，另一方面讓信息能夠展現(xiàn)在對它有興趣的用戶面前，從而實現(xiàn)信息消費者和信息生產(chǎn)者的雙贏。
　　推薦系統(tǒng)中有兩個主要的問題；一個是評分預(yù)測問題，另一個是 To p N推薦。協(xié)同過濾是推薦系

2、統(tǒng)中應(yīng)用最廣泛、最成功的技術(shù)。本文主要研究協(xié)同過濾中的評分預(yù)測問題，目的在于提高評分預(yù)測的準確度，研究內(nèi)容包括以下兩個方面：第一，針對基于內(nèi)存的協(xié)同過濾推薦，提出一種改進的相似度計算方法。在基于內(nèi)存的協(xié)同過濾中，相似度的計算是核心，它既關(guān)系到近鄰的選擇又影響到評分預(yù)測時的加權(quán)權(quán)重。當(dāng)評分矩陣比較稀疏的時候，可能會出現(xiàn)以下情況：兩個用戶之間共同的評分或兩個物品之間獲得共同評分非常少，但這些共同評分卻非常接近，這個時候如果采用根據(jù)評分的方法

3、計算相似度，就會獲得比較高的相似度，這就導(dǎo)致計算出的相似度過大，不能反映真實的相關(guān)程度。本文針對這一問題，提出同時考慮評分數(shù)值和共同評分數(shù)目的改進相似度，又結(jié)合用戶-物品評分的隱式反饋，形成新的相似度計算方法。實驗結(jié)果表明，改進的方法能有效提高預(yù)測準確率。
　　第二，根據(jù)基于矩陣分解的協(xié)同過濾方法，提出一種改進基于內(nèi)存的協(xié)同過濾的方法。矩陣分解模型認為評分預(yù)測問題可以轉(zhuǎn)化為用戶-物品的評分矩陣的補全問題。在基于內(nèi)存的預(yù)測評分公式中