基于時(shí)間加權(quán)的混合推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，發(fā)布在互聯(lián)網(wǎng)上的商務(wù)信息呈爆炸性增長(zhǎng)。但據(jù)統(tǒng)計(jì)，相對(duì)于99％的用戶(hù)而言，99％的Web信息是無(wú)用的，大量的無(wú)關(guān)信息會(huì)干擾甚至淹沒(méi)用戶(hù)真正需要的內(nèi)容。因此，推薦系統(tǒng)應(yīng)運(yùn)而生，它利用網(wǎng)站向用戶(hù)提供商品信息和建議，幫助網(wǎng)站有效地留住用戶(hù)，防止用戶(hù)流失。
　　但是隨著推薦系統(tǒng)規(guī)模的進(jìn)一步擴(kuò)大，推薦系統(tǒng)也面臨一系列挑戰(zhàn)。包括實(shí)時(shí)性和可擴(kuò)展性、稀疏性和“冷啟動(dòng)”等方面的問(wèn)題。這些問(wèn)題影響了推薦系統(tǒng)的效率和推薦質(zhì)量。因此，

2、對(duì)推薦系統(tǒng)所面臨的問(wèn)題的研究具有十分重要的意義。本文對(duì)推薦系統(tǒng)的數(shù)據(jù)稀疏性問(wèn)題、推薦精度問(wèn)題和推薦質(zhì)量問(wèn)題進(jìn)行了深入的研究。
　　本文首先詳細(xì)地分析了協(xié)同過(guò)濾算法中的數(shù)據(jù)稀疏性問(wèn)題，研究了現(xiàn)有的解決方法，針對(duì)傳統(tǒng)的相似度度量方法會(huì)導(dǎo)致預(yù)測(cè)誤差的問(wèn)題，提出了一種新的基于SimHash相似度計(jì)算方法。算法通過(guò)提取項(xiàng)目的特征向量，利用SimHash算法的高效降維，快速計(jì)算項(xiàng)目的近鄰。然后根據(jù)用戶(hù)對(duì)項(xiàng)目近鄰的評(píng)分結(jié)合項(xiàng)目的平均評(píng)分得到最后

3、評(píng)分填充用戶(hù)-項(xiàng)目評(píng)分矩陣中的空白項(xiàng)。實(shí)驗(yàn)證明該方法有效的解決了評(píng)分矩陣的稀疏性問(wèn)題，提高了推薦算法的推薦質(zhì)量同時(shí)還大大減少了算法的時(shí)間復(fù)雜度，提高了推薦算法的實(shí)時(shí)響應(yīng)速度。
　　深入研究了傳統(tǒng)的推薦算法，指出了傳統(tǒng)的推薦算法忽略了用戶(hù)的興趣會(huì)隨時(shí)間而變化這一特點(diǎn)，根據(jù)傳統(tǒng)推薦算法的不足之處提出了一種基于時(shí)間加權(quán)的混合推薦算法，該算法在使用基于SimHash的相似度計(jì)算方法解決評(píng)分矩陣稀疏性問(wèn)題的基礎(chǔ)上，利用用戶(hù)對(duì)項(xiàng)目的評(píng)分相似度