協(xié)同過濾算法中數(shù)據(jù)稀疏性問題研究.pdf

1、信息時(shí)代，互聯(lián)網(wǎng)的覆蓋率和普及度越來越高，同時(shí)也推動(dòng)了電子商務(wù)融入人們的生活中，網(wǎng)絡(luò)數(shù)據(jù)信息呈現(xiàn)出爆炸式的增長(zhǎng)。人們將花費(fèi)更多的時(shí)間去尋找他們想要的東西，這個(gè)現(xiàn)象被稱作“信息過載”。如何解決這個(gè)問題對(duì)電子商務(wù)平臺(tái)來說非常重要，推薦系統(tǒng)的出現(xiàn)填補(bǔ)了這一空白，其中基于協(xié)同過濾算法更是取得了很大的成功。然而隨著電商平臺(tái)的用戶數(shù)和項(xiàng)目數(shù)的大幅度增加，被評(píng)分的項(xiàng)目比例越來越小，使得用戶-項(xiàng)目評(píng)分矩陣變得十分稀疏，從而造成傳統(tǒng)的協(xié)同過濾推薦算法的推

2、薦準(zhǔn)確度有所下降。
　　數(shù)據(jù)稀疏問題使得采用協(xié)同過濾算法的推薦系統(tǒng)法面臨嚴(yán)重不足。本文針對(duì)該問題，從結(jié)合條件概率算法、浮動(dòng)篩選鄰居和分步填充用戶-項(xiàng)目評(píng)分矩陣中的未評(píng)分項(xiàng)目三個(gè)角度出發(fā)緩解數(shù)據(jù)稀疏性問題，提高推薦精度。
　　第一，本文提出一種基于條件概率的算法，該算法從概率的角度可以挖掘傳統(tǒng)協(xié)同過濾算法發(fā)現(xiàn)不了的鄰居，并使得該鄰居對(duì)目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，然后綜合采用通常的協(xié)同過濾算法而獲取的鄰居對(duì)目標(biāo)項(xiàng)目的評(píng)分，加權(quán)綜合后產(chǎn)

3、生最終的評(píng)分?jǐn)?shù)值。
　　第二，在篩選鄰居的時(shí)候，放棄kNN選取固定k個(gè)鄰居的做法，而是設(shè)定一定的相似度閾值和共同評(píng)分項(xiàng)目數(shù)閾值，然后只將達(dá)到閾值的用戶作為目標(biāo)用戶的鄰居，使選取的鄰居更加可靠。
　　第三，在對(duì)未評(píng)分目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)時(shí)，分兩步進(jìn)行。第一步設(shè)定嚴(yán)格的相似度閾值和共同評(píng)分項(xiàng)目數(shù)閾值，然后只將達(dá)到閾值的用戶作為目標(biāo)用戶的鄰居，然后填充部分未評(píng)分項(xiàng)目；第二步，在第一步部分填充后得到的評(píng)分矩陣較原始評(píng)分矩陣將更為稠密，在