推薦算法應(yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，在面臨“信息過載”情況下推薦系統(tǒng)扮演著越來越重要的角色。協(xié)同過濾是應(yīng)用最廣泛的一種推薦算法。實際情況下，用戶進行評分可以看作是一種決策行為，而用戶和物品的特征很大程度上會影響用戶的決策。在推薦系統(tǒng)中結(jié)合這些特征能夠提高推薦的準確度，從而增強用戶滿意度。用戶評分矩陣包含大量的缺失值，推薦算法可以看成一個對其中的缺失值進行填充的過程。傳統(tǒng)的協(xié)同過濾算法根據(jù)用戶評分矩陣中已填的值，計算用戶（物品）之間的相似度，根據(jù)最相似

2、的K個用戶（物品）的評分值來填充缺失值。本文將物品的情感特征（如正面/負面情感信息等）引入到推薦算法中，所研究的數(shù)據(jù)中，除了用戶-物品評分矩陣，還包含物品-情感關(guān)聯(lián)矩陣。本文的主要工作如下:
　　1.提出利用用戶對包含特定情感的物品的評分的信息熵來度量不同的情感特征對于用戶的重要程度，得到基于情感特征的預(yù)測算法，最后以預(yù)測評分融合的方法與傳統(tǒng)的協(xié)同過濾算法融合。該算法比協(xié)同過濾算法有一定的提高。
　　2.研究了基于情感特征的

3、物品相似度，通過考慮不同情感對于物品的貢獻度，得到改進的基于加權(quán)情感特征的物品相似度。將改進的基于加權(quán)情感特征的物品相似度作為參數(shù)融入到基于矩陣分解的協(xié)同過濾算法中，實驗表明該算法準確度上有較大的提高。
　　3.根據(jù)用戶情感評分以及情感對于用戶的重要程度，提出基于情感特征的用戶相似度，在2）的基礎(chǔ)上將此相似度作為參數(shù)融入，最后實驗效果在2）的基礎(chǔ)上有進一步的提高。這說明本文提出的改進的基于加權(quán)情感特征的物品相似度和基于情感特征的用