基于評分貢獻的協(xié)同過濾推薦算法研究.pdf

1、隨著信息化技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)數(shù)據(jù)爆炸式的增長，在如此多的互聯(lián)網(wǎng)數(shù)據(jù)的情況下，人們不得不花費大量的時間精力去搜索瀏覽自己需要的信息。雖然傳統(tǒng)的搜索引擎信息檢索技術(shù)已經(jīng)能夠滿足人們一定的需求，但面對不同用戶在不同背景、不同時期、不同目的的查詢需求下，傳統(tǒng)的信息檢索技術(shù)似乎顯得捉襟見肘。個性化推薦技術(shù)就是在這樣一種大背景下應(yīng)運而生的，個性化推薦技術(shù)針對不同目標(biāo)群體為其提供差異化的服務(wù)，以滿足群體中任意用戶的差異化需求。個性化推薦技術(shù)通過采

2、集和分析用戶自身及行為數(shù)據(jù)來學(xué)習(xí)用戶的興趣和預(yù)測用戶的行為，從而達到自主為每一個群體用戶推薦的目的。個性化推薦技術(shù)能夠有效地提升網(wǎng)站的服務(wù)質(zhì)量，增加網(wǎng)站的訪問量。
　　近年來，對個性化推薦技術(shù)的研究越來越多，其中基于協(xié)同過濾的推薦算法無論在學(xué)術(shù)界還是工業(yè)界都得到了蓬勃的發(fā)展。本文通過對推薦算法中常用的相似度算法進行對比分析，指出各算法應(yīng)用場景以及各自存在的局限性。在傳統(tǒng)的相似度度量方法的基礎(chǔ)上進行了改良，提出了一個新的相似度計算法

3、方法?；谠u分貢獻的推薦算法提出了評分貢獻系數(shù)的概念，建立稀疏處理模型以此建立鄰域生成方法，同時，采用平均加權(quán)值的方法進行評分預(yù)測，采用MAE、RMSE、Recall、Precision方法進行評分預(yù)測度量。為了驗證評分貢獻推薦算法對評分?jǐn)?shù)據(jù)預(yù)測問題的有效性，本文采用MovieLens網(wǎng)站的數(shù)據(jù)集對算法進行了實驗，分別將鄰域生成方法應(yīng)用基于用戶、基于項目的協(xié)同過濾推薦算法，并與傳統(tǒng)的鄰域生成方法進行對比分析。實驗結(jié)果表明，將評分貢獻推薦