推薦系統(tǒng)中的協(xié)同過(guò)濾算法研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，當(dāng)今時(shí)代已經(jīng)是一個(gè)信息過(guò)載的時(shí)代。為了解決信息過(guò)載問(wèn)題，很多研究人員開始研究推薦系統(tǒng)，對(duì)用戶的歷史行為進(jìn)行挖掘，對(duì)用戶興趣進(jìn)行建模，對(duì)用戶未來(lái)的行為進(jìn)行預(yù)測(cè)。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(duì)自己有價(jià)值的信息，另一方面讓信息能夠展現(xiàn)在對(duì)它有興趣的用戶面前，從而實(shí)現(xiàn)信息消費(fèi)者和信息生產(chǎn)者的雙贏。
　　推薦系統(tǒng)中有兩個(gè)主要的問(wèn)題；一個(gè)是評(píng)分預(yù)測(cè)問(wèn)題，另一個(gè)是 To p N推薦。協(xié)同過(guò)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(guò)濾中的評(píng)分預(yù)測(cè)問(wèn)題，目的在于提高評(píng)分預(yù)測(cè)的準(zhǔn)確度，研究?jī)?nèi)容包括以下兩個(gè)方面：第一，針對(duì)基于內(nèi)存的協(xié)同過(guò)濾推薦，提出一種改進(jìn)的相似度計(jì)算方法。在基于內(nèi)存的協(xié)同過(guò)濾中，相似度的計(jì)算是核心，它既關(guān)系到近鄰的選擇又影響到評(píng)分預(yù)測(cè)時(shí)的加權(quán)權(quán)重。當(dāng)評(píng)分矩陣比較稀疏的時(shí)候，可能會(huì)出現(xiàn)以下情況：兩個(gè)用戶之間共同的評(píng)分或兩個(gè)物品之間獲得共同評(píng)分非常少，但這些共同評(píng)分卻非常接近，這個(gè)時(shí)候如果采用根據(jù)評(píng)分的方法

3、計(jì)算相似度，就會(huì)獲得比較高的相似度，這就導(dǎo)致計(jì)算出的相似度過(guò)大，不能反映真實(shí)的相關(guān)程度。本文針對(duì)這一問(wèn)題，提出同時(shí)考慮評(píng)分?jǐn)?shù)值和共同評(píng)分?jǐn)?shù)目的改進(jìn)相似度，又結(jié)合用戶-物品評(píng)分的隱式反饋，形成新的相似度計(jì)算方法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的方法能有效提高預(yù)測(cè)準(zhǔn)確率。
　　第二，根據(jù)基于矩陣分解的協(xié)同過(guò)濾方法，提出一種改進(jìn)基于內(nèi)存的協(xié)同過(guò)濾的方法。矩陣分解模型認(rèn)為評(píng)分預(yù)測(cè)問(wèn)題可以轉(zhuǎn)化為用戶-物品的評(píng)分矩陣的補(bǔ)全問(wèn)題。在基于內(nèi)存的預(yù)測(cè)評(píng)分公式中