基于神經(jīng)網(wǎng)絡(luò)集成和用戶偏好模型的協(xié)同過濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和電子商務(wù)的蓬勃生長(zhǎng)，網(wǎng)絡(luò)數(shù)據(jù)信息以指數(shù)級(jí)別的趨勢(shì)增長(zhǎng)，用戶不得不耗費(fèi)大量的時(shí)間去搜索自己想要的信息和商品，人們進(jìn)入了一個(gè)“信息超載”的時(shí)代。推薦系統(tǒng)應(yīng)運(yùn)而生，它的主要任務(wù)是主動(dòng)從海量的資源中為用戶推送其可能需要的資源，緩解信息檢索的壓力。在目前的應(yīng)用中，協(xié)同過濾算法取得的成就無疑是最大的，但是在發(fā)展中同樣不可避免的遇到很多障礙，數(shù)據(jù)稀疏問題就是阻礙其發(fā)展的一個(gè)重要難題。
　　針對(duì)數(shù)據(jù)稀疏性問題，本文從用戶興趣

2、的角度出發(fā)，利用當(dāng)前的用戶數(shù)據(jù)，構(gòu)建用戶偏好模型預(yù)測(cè)未評(píng)分項(xiàng)目的分值，填充數(shù)據(jù)到用戶評(píng)分矩陣中。然而，用戶偏好存在描述上的模糊性和不確定性，給用戶偏好建模帶來了一定的困難，需要引入機(jī)器學(xué)習(xí)方法來構(gòu)建用戶偏好模型。神經(jīng)網(wǎng)絡(luò)集成算法具有很好的泛化能力，是目前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)，可以用來模擬用戶的偏好。但是面對(duì)用戶偏好的復(fù)雜性，神經(jīng)網(wǎng)絡(luò)集成算法也會(huì)存在這樣或那樣的不足。針對(duì)這樣的情況，本文首先對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)集成算法提出自己的改進(jìn)思想

3、，提出了基于差分進(jìn)化的負(fù)相關(guān)神經(jīng)網(wǎng)絡(luò)集成算法，提高了神經(jīng)網(wǎng)絡(luò)集成算法的泛化能力;其次，利用改進(jìn)的算法，結(jié)合現(xiàn)有的用戶數(shù)據(jù)，構(gòu)建用戶偏好模型;最后利用構(gòu)建好的偏好模型預(yù)測(cè)未評(píng)分項(xiàng)目的分值，填充用戶評(píng)分矩陣，并針對(duì)可能產(chǎn)生的填充過度問題，對(duì)相似度的計(jì)算也做了一個(gè)改進(jìn)。
　　基于差分進(jìn)化的負(fù)相關(guān)神經(jīng)網(wǎng)絡(luò)集成算法的基本思想是:在集成個(gè)體的生成中，為了增加集成個(gè)體的差異性，引入負(fù)相關(guān)學(xué)習(xí)方法并行訓(xùn)練成員網(wǎng)絡(luò);在結(jié)論的生成中，利用差分進(jìn)化算法

4、的良好的尋優(yōu)能力，對(duì)成員網(wǎng)絡(luò)的權(quán)重系數(shù)進(jìn)行優(yōu)化。通過實(shí)驗(yàn)仿真，并將它與其他算法進(jìn)行對(duì)比，結(jié)果表明該算法無論是在泛化性能方面還是在魯棒性方面都表現(xiàn)得更好。
　　基于差分進(jìn)化神經(jīng)網(wǎng)絡(luò)集成的用戶偏好模型的基本思想是:充分利用項(xiàng)目特征屬性，構(gòu)建項(xiàng)目特征向量，通過項(xiàng)目特征向量和用戶偏好的映射，構(gòu)建用戶偏好模型，并采用提出的差分進(jìn)化負(fù)相關(guān)神經(jīng)網(wǎng)絡(luò)集成算法模擬用戶的興趣愛好。通過實(shí)驗(yàn)證明，提出的差分進(jìn)化負(fù)相關(guān)神經(jīng)網(wǎng)絡(luò)集成算法能夠很好的模擬用戶的