面向稀疏數(shù)據(jù)的個(gè)性化推薦技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)和電子商務(wù)的發(fā)展，互聯(lián)網(wǎng)信息與日俱增，產(chǎn)生了“信息過載”現(xiàn)象，用戶很難找到自己需要的信息。搜索引擎的問世節(jié)省了搜索時(shí)間，可以快速定位用戶需要的信息，但是缺少定制個(gè)性化檢索結(jié)果的能力。個(gè)性化推薦技術(shù)根據(jù)用戶歷史行為信息，提供個(gè)性化推薦服務(wù)，滿足用戶需求，可以有效解決信息過載問題。但是隨著個(gè)性化推薦系統(tǒng)規(guī)模越來越大，用戶歷史行為信息相對(duì)越來越少，評(píng)分矩陣極度稀疏，導(dǎo)致推薦質(zhì)量下降。為了緩解數(shù)據(jù)稀疏帶來的影響，目前的主要方法是維數(shù)約

2、簡，采用特征提取或者利用機(jī)器學(xué)習(xí)方法降低維度，還可以使用數(shù)據(jù)壓縮原理減少系統(tǒng)數(shù)據(jù)的維度。現(xiàn)有的推薦技術(shù)在降低維度的過程中都會(huì)舍棄掉部分重要信息，使得相似度計(jì)算和近鄰查找的精度不高，從而影響推薦效果。
　　本研究主要內(nèi)容包括：⑴當(dāng)評(píng)分矩陣極度稀疏時(shí)，使用現(xiàn)有的相似度量方法計(jì)算用戶相似度的準(zhǔn)確率不高，導(dǎo)致依據(jù)用戶相似矩陣查找最近鄰居以及計(jì)算評(píng)分預(yù)測(cè)值的精確度下降。對(duì)此，提出基于聚類和信任度的個(gè)性化推薦算法，定義信任相似度，將基于評(píng)分眾

3、數(shù)的用戶信任度融合到基于用戶評(píng)分的傳統(tǒng)相似度量算法中。在 MovieLens數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果證明，提出的基于聚類和信任度的個(gè)性化推薦算法計(jì)算出的用戶相似度的精度更高，有助于尋找到適合的最近鄰居用戶，更加準(zhǔn)確地填充評(píng)分預(yù)測(cè)值，避免用戶惡意評(píng)分的情況，在數(shù)據(jù)稀疏的情況下提高用戶相似度計(jì)算的準(zhǔn)確率，提高推薦精度。⑵目前推薦系統(tǒng)的評(píng)分?jǐn)?shù)據(jù)具有高維性和稀疏性，例如多媒體數(shù)據(jù)、購物數(shù)據(jù)等，現(xiàn)有針對(duì)高維稀疏數(shù)據(jù)的推薦算法大都基于維度約簡，在

4、降低維度的過程中舍棄了過多有用信息，導(dǎo)致查找近鄰的精度下降。為此，提出基于稀疏子空間聚類的個(gè)性化推薦算法，利用稀疏子空間聚類算法對(duì)用戶進(jìn)行聚類，減少有用信息的舍棄，找到所屬聚類簇，計(jì)算相似度，利用KNN(K-Nearest Neighbor)方法查找最近鄰集合，根據(jù)近鄰集合的評(píng)分值計(jì)算預(yù)測(cè)評(píng)分值。在MovieLens數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果證明，基于稀疏子空間聚類的個(gè)性化推薦算法可以積極緩解在數(shù)據(jù)稀疏情況下查找近鄰不精準(zhǔn)的問題，提高推