基于符號數(shù)據(jù)分析的混合推薦算法研究.pdf

1、信息社會中,互聯(lián)網(wǎng)產(chǎn)品在為用戶提供基本服務(wù)的同時,已逐漸向著社會化、移動化以及個性化的方向發(fā)展,社會化的典型代表是發(fā)展得如火如荼的SNS社交網(wǎng)絡(luò)服務(wù);移動化幫助用戶實現(xiàn)隨時隨地網(wǎng)上瀏覽;個性化可以實現(xiàn)用戶的專屬需求。推薦系統(tǒng)作為個性化的實現(xiàn)手段,在電子商務(wù)、娛樂互動等領(lǐng)域受到了高度關(guān)注,成為互聯(lián)網(wǎng)產(chǎn)品擺脫同質(zhì)化的一個重要方式。傳統(tǒng)基于內(nèi)容的推薦算法直觀易懂,卻存在過度特征化和領(lǐng)域單一化的問題;協(xié)同過濾技術(shù)可以實現(xiàn)項目的跨領(lǐng)域推薦,自動化

2、程度高,卻受到數(shù)據(jù)稀疏性及冷啟動等難題的影響。
　　本文結(jié)合兩種方法的優(yōu)點,針對現(xiàn)有的混合推薦算法在處理海量數(shù)據(jù)時效率低下等問題,將符號數(shù)據(jù)分析方法加入到混合推薦算法中,提出兩種混合思路:第一、將基于內(nèi)容的推薦算法與user-based協(xié)同過濾算法進行混合,用模態(tài)符號數(shù)據(jù)對用戶建模,引入模態(tài)符號數(shù)據(jù)的距離度量計算用戶模型間的相似性,同時加入用戶人口統(tǒng)計信息的相似性,由此形成用戶的綜合相似性,完成kNN推薦;第二、將基于內(nèi)容的推薦算

3、法與item-based協(xié)同過濾算法進行混合,使用模態(tài)符號數(shù)據(jù)對項目建模,加入非負矩陣分解算法,對項目的特征矩陣進行有效―平滑‖,以此為基礎(chǔ)計算項目之間的相似性,完成推薦。這兩種混合方法利用了基于內(nèi)容推薦算法的優(yōu)點,使用項目及用戶的特征進行相似性比較,從而有效避免了評分矩陣稀疏性帶來的影響,同時非負矩陣分解的算法也有效應(yīng)對了矩陣超高維及矩陣內(nèi)容稀疏的問題。
　　實驗結(jié)果表明,本文提出的兩種基于符號數(shù)據(jù)的混合推薦算法與傳統(tǒng)的user