基于耦合相似度的協(xié)同過(guò)濾算法的研究及應(yīng)用.pdf

1、Internet和E-Commerce的快速發(fā)展帶動(dòng)了互聯(lián)網(wǎng)+的蓬勃興起，推薦系統(tǒng)獲得越來(lái)越多的關(guān)注。隨之專(zhuān)家學(xué)者們把研究方向轉(zhuǎn)向如何進(jìn)一步提高推薦系統(tǒng)的推薦性能，于是，各種優(yōu)秀的算法和模型被提出、測(cè)試、投入應(yīng)用。自Yehuda等人在Netflix百萬(wàn)大獎(jiǎng)的比賽中首次將矩陣分解的想法用于做推薦取得了較好的結(jié)果，自此，做為一個(gè)新的研究方向，近年來(lái)專(zhuān)家學(xué)者們也提出了很多改進(jìn)和完善，基于基礎(chǔ)模型的改進(jìn)大都是利用額外的信息，如打分偏差、隱式反饋

2、、時(shí)間因素、信任傳播等。我們發(fā)現(xiàn)，傳統(tǒng)的矩陣分解模型中往往只借助用戶(hù)-物品的評(píng)分?jǐn)?shù)據(jù)集，沒(méi)有將用戶(hù)和物品特征屬性信息考慮在內(nèi)。用戶(hù)和物品的特征屬性信息包含用戶(hù)跟物品的大量有效信息，也可以為個(gè)性化推薦所利用，本論文的主要想法是在傳統(tǒng)的協(xié)同過(guò)濾算法的基礎(chǔ)上將用戶(hù)、物品的特征屬性信息考慮在內(nèi)，用以提高系統(tǒng)的推薦精度。Breese等人將協(xié)同過(guò)濾算法分為:基于內(nèi)存的算法和基于模型的算法，本論文分別針對(duì)這兩類(lèi)算法，提出基于耦合相似度的協(xié)同過(guò)濾的改進(jìn)

3、算法。
　　觀察用戶(hù)和物品的特征屬性信息，我們可以發(fā)現(xiàn)不只有數(shù)值的類(lèi)型，還有非數(shù)值的類(lèi)型，對(duì)此，引入耦合相似度的概念，利用用戶(hù)特征、物品特征的屬性值信息借助耦合相似度的概念，依據(jù)用戶(hù)行為信息，建立用戶(hù)、物品相似度的模型，將相似性信息與協(xié)同過(guò)濾算法相結(jié)合，挖掘潛在信息以提高推薦精度，并提出相應(yīng)的算法，并在MATLAB軟件下用真實(shí)數(shù)據(jù)集做實(shí)驗(yàn)，并于其他的推薦技術(shù)進(jìn)行比較，表明本論文提出的改進(jìn)算法的有效性以及在“冷啟動(dòng)”和“稀疏性”的情

4、況下還可以保證較高的推薦精度。
　　本論文安排如下:第一章緒論是關(guān)于本文的研究背景，國(guó)內(nèi)外研究現(xiàn)狀，主要研究?jī)?nèi)容以及行文安排的介紹;第二章簡(jiǎn)要介紹了協(xié)同過(guò)濾算法的相關(guān)知識(shí);第三章在基于內(nèi)存的協(xié)同過(guò)濾算法的基礎(chǔ)上結(jié)合用戶(hù)、物品的特征屬性信息給出了改進(jìn)算法，并在真實(shí)數(shù)據(jù)集下表明該算法的有效性以及實(shí)驗(yàn)結(jié)果的分析和比較;第四章給出了基于矩陣分解的推薦算法的改進(jìn)算法，并在真實(shí)數(shù)據(jù)集下表明提出的改進(jìn)算法的有效性以及實(shí)驗(yàn)結(jié)果的分析和比較，探討算