一種融合用戶上下文信息和評(píng)分傾向度的協(xié)同過濾推薦系統(tǒng).pdf

1、隨著云計(jì)算、大數(shù)據(jù)等技術(shù)的不斷進(jìn)步，“互聯(lián)網(wǎng)+”將進(jìn)一步融入到人們的日常生活，深刻改變?nèi)藗兊纳罘绞剑藗冊(cè)絹碓揭蕾囉诨ヂ?lián)網(wǎng)。在大數(shù)據(jù)時(shí)代，人們面臨的信息過載問題日益嚴(yán)重，協(xié)同過濾推薦技術(shù)是解決信息過載問題的有力手段，而且還可以滿足用戶的個(gè)性化信息需求。協(xié)同過濾推薦技術(shù)通過對(duì)所有的用戶歷史行為數(shù)據(jù)進(jìn)行分析，獲得用戶的潛在或未來的喜好，然后根據(jù)用戶的喜好，從海量信息中過濾出與用戶偏好相匹配的內(nèi)容，從而主動(dòng)為用戶推薦滿足用戶需要或感興趣的內(nèi)

2、容?；趦?nèi)存的協(xié)同過濾無需要分析信息資源的內(nèi)容，且可以發(fā)現(xiàn)用戶潛在的興趣，而且可解釋性強(qiáng)、易實(shí)現(xiàn)，因此得到廣泛的研究和應(yīng)用。
　　但在實(shí)際應(yīng)用中，往往信息是無窮無盡的，但用戶通常只會(huì)對(duì)少量項(xiàng)目進(jìn)行關(guān)注或評(píng)分，最終導(dǎo)致數(shù)據(jù)稀疏性也更加嚴(yán)重，嚴(yán)重阻礙了協(xié)同過濾技術(shù)的發(fā)展和應(yīng)用。本文在第三章首先提出一種基于用戶上下文信息的相似性度量方法，該方法考慮了用戶上下文信息對(duì)用戶相似性的影響，能更準(zhǔn)確的反映用戶間的相關(guān)性，從而使最近鄰用戶的選取更

3、加準(zhǔn)確，提高評(píng)分預(yù)測(cè)的準(zhǔn)確度，降低誤差。其次提出了一種基于評(píng)分傾向度的相似性度量方法。該算法針對(duì)評(píng)分?jǐn)?shù)據(jù)的稀疏性問題，引入評(píng)分傾向度的概念，綜合考慮了用戶評(píng)分，用戶間共同關(guān)注的類別和喜好評(píng)價(jià)尺度的差異對(duì)用戶相似性的影響，使用戶的相似度計(jì)算更加符合實(shí)際，有效緩解了數(shù)據(jù)稀疏性帶來的困擾。然后針對(duì)數(shù)據(jù)稀疏性導(dǎo)致評(píng)分預(yù)測(cè)不準(zhǔn)確的問題，本文提出了一種動(dòng)態(tài)評(píng)分預(yù)測(cè)方法，新的評(píng)分預(yù)測(cè)方法綜合考慮了用戶最近鄰和項(xiàng)目最近鄰在評(píng)分預(yù)測(cè)中的作用，實(shí)現(xiàn)了對(duì)缺失

4、評(píng)分項(xiàng)的動(dòng)態(tài)填充，使評(píng)分預(yù)測(cè)更精確。最后，結(jié)合本文提出的三種改進(jìn)方法，本文提出了一種融合用戶上下文信息和評(píng)分傾向度的協(xié)同過濾推薦算法CPCF。
　　本文使用美國(guó)明尼蘇達(dá)大學(xué)Grouplens研究組提供的MovieLens-1M數(shù)據(jù)集，采用5折交叉驗(yàn)證的方法，將數(shù)據(jù)集按照80％和20%的比例隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；并使用平均絕對(duì)誤差和推薦準(zhǔn)確率兩個(gè)指標(biāo)來評(píng)價(jià)推薦算法的效果；共設(shè)計(jì)了四組實(shí)驗(yàn)，分別從基于用戶上下文信息的相似度、