基于用戶偏好的協(xié)同過(guò)濾推薦方法研究.pdf

1、網(wǎng)絡(luò)資源的爆炸式增長(zhǎng),加劇了信息過(guò)載問(wèn)題,推薦技術(shù)應(yīng)運(yùn)而生成為解決這一問(wèn)題最有效的方法之一,其中的協(xié)同過(guò)濾推薦,是目前最成功的推薦技術(shù)之一。它通過(guò)分析與目標(biāo)用戶相似性高的近鄰用戶的偏好,將近鄰用戶喜歡的項(xiàng)目推薦給目標(biāo)用戶。盡管協(xié)同過(guò)濾取得了巨大成功,但卻存在數(shù)據(jù)稀疏性、可擴(kuò)展性和群組推薦等關(guān)鍵問(wèn)題,這些問(wèn)題制約著其進(jìn)一步發(fā)展,因此本文對(duì)這些問(wèn)題展開(kāi)深入的研究。本文的主要研究?jī)?nèi)容如下:
　　1.通過(guò)改進(jìn)的TF-IDF構(gòu)建了用戶項(xiàng)目特

2、征偏好矩陣,從而減少了用戶項(xiàng)目特征偏好矩陣的維數(shù)。針對(duì)數(shù)據(jù)稀疏性問(wèn)題,引入項(xiàng)目特征,同時(shí)考慮用戶的興趣漂移對(duì)用戶偏好的影響,通過(guò)改進(jìn)的TF-IDF構(gòu)建用戶項(xiàng)目特征偏好矩陣,由于物品的項(xiàng)目特征能從內(nèi)容方面來(lái)表現(xiàn)用戶的偏好,且項(xiàng)目的領(lǐng)域特征遠(yuǎn)少于項(xiàng)目的數(shù)量,減少了用戶項(xiàng)目特征偏好矩陣的維數(shù)。
　　2.針對(duì)可擴(kuò)展性問(wèn)題,提出一種改進(jìn)的K-Means用戶聚類的方法。該方法通過(guò)類間差異度和類內(nèi)差異度確定最終的K值來(lái)解決K-Means方法需要

3、人為設(shè)定初始K值的問(wèn)題。在類內(nèi)計(jì)算目標(biāo)用戶與其他用戶的相似度來(lái)得到近鄰集,并進(jìn)行預(yù)測(cè)評(píng)分和推薦,提高了效率和擴(kuò)展性。
　　3.針對(duì)傳統(tǒng)的協(xié)同過(guò)濾算法適用于對(duì)個(gè)體推薦而不適用于群組用戶推薦,設(shè)計(jì)了一種基于用戶項(xiàng)目特征偏好和評(píng)分來(lái)構(gòu)建群組偏好模型。根據(jù)群組成員間的相互作用構(gòu)建群組評(píng)分矩陣和項(xiàng)目特征偏好矩陣,以基于用戶的協(xié)同過(guò)濾算法為基礎(chǔ),將群組用戶看成一個(gè)虛擬用戶,進(jìn)行相似度計(jì)算和預(yù)測(cè)評(píng)分。
　　4.通過(guò)引入權(quán)重因子的方法,構(gòu)建