協(xié)同過濾算法中冷啟動問題的研究.pdf

1、隨著互聯(lián)網(wǎng)應用的普及，電子商務獲得了快速的發(fā)展，網(wǎng)絡購物已經(jīng)融入到人們的生活當中。用戶信息和商品信息都在高速的增長帶來了“信息過載”現(xiàn)象，用戶無法在有限的時間和精力里獲取自己所需要的信息。個性化推薦系統(tǒng)作為處理信息過載問題的重要工具成為了關注的焦點，而推薦系統(tǒng)中最為成功的基于協(xié)同過濾的推薦算法得到了大量的應用與研究。協(xié)同過濾算法雖然應用廣泛，但是它還是存在數(shù)據(jù)稀疏性、可擴展性、冷啟動等問題，使得推薦質量受到嚴重制約，因此協(xié)同過濾算法面臨

2、著諸多挑戰(zhàn)。
　　本文主要針對冷啟動問題和數(shù)據(jù)稀疏性問題進行深入研究，在傳統(tǒng)的協(xié)同過濾算法基礎上，通過分析用戶特征與項目語義相似性來緩解冷啟動問題。論文的主要工作有以下幾方面：
　　第一，針對傳統(tǒng)的基于用戶和基于項目的協(xié)同過濾算法相似性度量的不足，提出了針對不同項目的用戶間相似性計算方法以及針對不同用戶的項目間相似性計算方法，能夠為用戶和項目找到合適的最近鄰集合。
　　第二，針對用戶冷啟動問題，在改進的用戶間相似性計算

3、方法的基礎上，通過引入用戶特征屬性相似性計算模型來緩解新用戶問題。引入動態(tài)平衡參數(shù)將用戶特征屬性相似性與改進的用戶間相似性有效結合，能夠根據(jù)評分矩陣的特征動態(tài)調整兩者所占的比重。由于考慮了用戶特征的因素，當新用戶進入系統(tǒng)時，能夠通過用戶間的特征屬性相似性為新用戶找到最近鄰集合，產(chǎn)生推薦。
　　第三，針對用戶冷啟動和項目冷啟動問題，提出了結合項目語義與用戶特征的協(xié)同過濾推薦算法，該方法首先將用戶評分相似性與用戶特征屬性相似性結合起來

4、選取用戶的鄰居產(chǎn)生用戶預測評分，然后將項目評分相似性與項目語義相似性結合起來選取項目的鄰居產(chǎn)生項目預測評分，最終將用戶預測評分與項目預測評分結合得到最終的推薦結果。由于該算法同時考慮了用戶特征與項目語義的因素，用戶冷啟動和項目冷啟動問題均得到了緩解。
　　最后，采用Movielens站點提供的公開數(shù)據(jù)集進行實驗。實驗結果表明：改進的相似性度量方法效果更好；結合項目語義與用戶特征的協(xié)同過濾推薦算法有效的解決了冷啟動問題，緩解了數(shù)據(jù)稀