基于混合用戶模型的協(xié)同過(guò)濾推薦算法研究.pdf

1、互聯(lián)網(wǎng)的普及和電子商務(wù)的迅速發(fā)展造成了信息的過(guò)載，用戶在大量的產(chǎn)品信息中難以找到需要的商品，由此，電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生。當(dāng)前，電子商務(wù)推薦系統(tǒng)在實(shí)際運(yùn)用中還不成熟，仍然存在許多問(wèn)題，如推薦質(zhì)量受到龐大而稀疏的用戶評(píng)價(jià)數(shù)據(jù)的嚴(yán)重影響、系統(tǒng)的可擴(kuò)展性能差、推薦實(shí)時(shí)性差等。論文針對(duì)推薦系統(tǒng)存在的主要問(wèn)題，對(duì)電子商務(wù)個(gè)性化推薦系統(tǒng)中的用戶模型和協(xié)同過(guò)濾推薦算法進(jìn)行了有益的探索和研究。
　　 協(xié)同過(guò)濾是個(gè)性化推薦系統(tǒng)中應(yīng)用最廣泛和最成

2、功的推薦技術(shù)，但是它也面臨著推薦準(zhǔn)確度和可擴(kuò)展性?xún)纱筇魬?zhàn)。協(xié)同過(guò)濾技術(shù)分為基于內(nèi)存和基于模型兩種，前者的推薦準(zhǔn)確度更高，但可擴(kuò)展性比后者低。論文提出了混合用戶模型，基于該模型的協(xié)同過(guò)濾推薦系統(tǒng)既具有基于內(nèi)存協(xié)同過(guò)濾的推薦準(zhǔn)確度，又具有基于模型協(xié)同過(guò)濾的可擴(kuò)展性。
　　 在用戶模型層面，論文分析了目前的協(xié)同過(guò)濾推薦中經(jīng)典用戶模型存在的缺陷，利用商品組合特征和人口統(tǒng)計(jì)信息構(gòu)建了混合用戶模型?；旌嫌脩裟Ｐ蜐饪s了項(xiàng)目?jī)?nèi)容描述信息、用戶人

3、口統(tǒng)計(jì)信息和用戶-項(xiàng)目評(píng)分矩陣，提高了用戶模型的信息濃度，在一定程度上解決了稀疏性和冷開(kāi)始問(wèn)題?；旌嫌脩裟Ｐ鸵氲奶卣髋d趣度，反映了用戶對(duì)特征的偏好程度，在計(jì)算用戶之間相似度時(shí)更為準(zhǔn)確。
　　 在協(xié)同過(guò)濾算法層面，論文分析了當(dāng)前電子商務(wù)個(gè)性化推薦系統(tǒng)中常用的協(xié)同過(guò)濾推薦算法存在的稀疏性、可擴(kuò)展性、實(shí)時(shí)性和推薦準(zhǔn)確度等問(wèn)題，提出了基于混合用戶模型的協(xié)同過(guò)濾推薦算法。該方法采用基于內(nèi)容的過(guò)濾和基于人口統(tǒng)計(jì)信息的過(guò)濾離線構(gòu)建用戶模型，

4、然后基于該模型運(yùn)用協(xié)同過(guò)濾在線產(chǎn)生推薦。
　　 在特征層、模型層、協(xié)同過(guò)濾算法層三個(gè)不同層次引入組合，降低了系統(tǒng)的復(fù)雜性和計(jì)算時(shí)間，提高了可擴(kuò)展性和推薦準(zhǔn)確度。協(xié)同過(guò)濾算法層引入了遺傳算法學(xué)習(xí)用戶模型中每個(gè)特征的權(quán)重取值，使系統(tǒng)對(duì)用戶偏好的描述更加準(zhǔn)確。
　　 采用MovieLens數(shù)據(jù)集對(duì)論文提出的改進(jìn)算法進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：基于混合用戶模型的協(xié)同過(guò)濾推薦算法在推薦的準(zhǔn)確性、完整性、可擴(kuò)展性等方面均優(yōu)于實(shí)驗(yàn)對(duì)