基于協(xié)同過濾混合推薦系統(tǒng)的研究與實現(xiàn).pdf

1、隨著Internet技術的迅速發(fā)展，我們進入了信息爆炸的時代。面對如此海量的信息，我們想要從中快速的找到自己所需要的信息必須花費大量時間。如今有很多應用如門戶網(wǎng)站，搜索引擎等都能幫助用戶過濾信息，但它們沒有考慮個性化的需求，因此還是無法很好的解決信息過多的問題。個性化推薦系統(tǒng)是根據(jù)每個用戶的個人信息、興趣特點以及瀏覽的歷史記錄等，向他們推薦可能感興趣的信息。因此，它作為一種解決信息過多問題的手段應運而生，這在很大程度上節(jié)省了用戶篩選信息

2、的時間。
　　本文首先介紹了目前個性化推薦系統(tǒng)的研究背景及現(xiàn)狀，并對目前個性化推薦系統(tǒng)中主要使用的算法進行深入的研究和分析。推薦系統(tǒng)主要分為協(xié)同過濾、基于內(nèi)容的過濾、基于知識的過濾以及混合過濾。目前的這些推薦系統(tǒng)存在著數(shù)據(jù)稀疏性、冷啟動、可擴展性等諸多問題。這些問題在很大程度上影響著推薦系統(tǒng)的性能。其中數(shù)據(jù)稀疏性問題和擴展性問題又是兩個很重要的影響推薦性能的因素。為了降低這兩個因素對推薦性能的影響，首先，本文對基于記憶的協(xié)同過濾算

3、法中的最近鄰居法進行了改進，該方法先通過交集運算尋找可能的最近鄰居，再通過相似性函數(shù)計算用戶之間的相似性，并取相似性較高的若干個用戶作為目標用戶的真正鄰居，將這些用戶的評分組成新的矩陣。相比傳統(tǒng)的最近鄰居法，這樣可以將原始評分矩陣的維度降低，因此稀疏性也隨之降低，這樣就可以避免數(shù)據(jù)稀疏性問題帶來的影響。其次，提出了一種新的混合協(xié)同過濾推薦算法，該算法在改進的最近鄰居法的基礎上得到目標用戶的最近鄰矩陣，然后在該矩陣上采用矩陣分解算法，由于

4、矩陣分解算法可以有效的解決擴展性問題，因此，本文提出的混合算法同時解決了評分矩陣稀疏性和可擴展性的問題。
　　其次，設計了詳細的實驗方案，驗證了我們所提出算法的正確性，采用了Movielens數(shù)據(jù)集作為實驗數(shù)據(jù)集。為了避免參數(shù)對最終結果產(chǎn)生的影響，從各個角度分析了影響推薦算法性能的因素，然后通過大量的實驗確定最終實驗所用的參數(shù)。將本文提出的混合推薦算法與傳統(tǒng)的協(xié)同過濾推薦算法比較后得出結論：該混合推薦算法在準確率方面有了較大的提升