基于粒關(guān)聯(lián)規(guī)則的冷啟動(dòng)推薦算法.pdf

1、隨著經(jīng)濟(jì)的蓬勃發(fā)展，特別是互聯(lián)網(wǎng)的普及，電子商務(wù)行業(yè)迅速崛起，網(wǎng)上購(gòu)物逐漸成為了一種時(shí)尚和未來(lái)發(fā)展的趨勢(shì)。然而，隨著網(wǎng)上信息量的指數(shù)上升，可供選擇的產(chǎn)品鋪天蓋地，用戶很難進(jìn)行抉擇。推薦系統(tǒng)的出現(xiàn)為解決這一問(wèn)題提供了方法，它能夠幫助用戶更加有效迅速地找到自己想要購(gòu)買的產(chǎn)品。
　　冷啟動(dòng)問(wèn)題是推薦系統(tǒng)的一個(gè)難點(diǎn)，也逐漸發(fā)展成為研究人員廣泛關(guān)注的經(jīng)典問(wèn)題。目前研究冷啟動(dòng)推薦的工作大多都是處理新用戶或新項(xiàng)目?jī)深惱鋯?dòng)問(wèn)題。然而，對(duì)于第三類

2、冷啟動(dòng)問(wèn)題，即向新用戶推薦新項(xiàng)目，卻很少被考慮。因?yàn)樾掠脩暨x擇項(xiàng)目以及新項(xiàng)目被選擇的歷史記錄都是空白的，所以研究此類問(wèn)題會(huì)更有挑戰(zhàn)力。
　　本文提出了基于粒關(guān)聯(lián)規(guī)則的推薦算法用于解決冷啟動(dòng)推薦問(wèn)題，特別是解決向新用戶推薦新項(xiàng)目的問(wèn)題。因?yàn)槟壳耙延械牧ｊP(guān)聯(lián)規(guī)則方法還沒(méi)有處理多值型和數(shù)值型屬性等問(wèn)題，所以本文首先提出解決這些問(wèn)題的方法，然后再把這些方法應(yīng)用于推薦算法。本文的主要研究成果如下:
　　(1)處理粒關(guān)聯(lián)規(guī)則中的多值型屬

3、性問(wèn)題。在實(shí)際生活中，存在許多種多值型數(shù)據(jù)類型的屬性，例如，一部電影屬性類型既是動(dòng)作類也是冒險(xiǎn)類。本文采用scaling-based方法來(lái)處理信息表中的屬性多值問(wèn)題。在粒關(guān)聯(lián)規(guī)則的挖掘過(guò)程中，過(guò)濾掉消極粒，保留積極粒。從而有利于減少消極性規(guī)則的產(chǎn)生，并避免被用于推薦。
　　(2)處理粒關(guān)聯(lián)規(guī)則中的數(shù)值型屬性問(wèn)題。目前，粒關(guān)聯(lián)規(guī)則的研究只考慮了處理信息表中的符號(hào)型數(shù)據(jù)，但實(shí)際生活中存在著大量的數(shù)值型數(shù)據(jù)。本文通過(guò)采用 Equal W

4、idth、Equal Frequency和K-Means三種離散化方法來(lái)對(duì)數(shù)值型數(shù)據(jù)進(jìn)行處理，使得更多更強(qiáng)的規(guī)則可以被挖掘出來(lái)，并用于推薦。
　　(3)定義了三種指標(biāo)來(lái)衡量推薦的算法，即準(zhǔn)確率指標(biāo)、顯著性指標(biāo)和多樣性指標(biāo)。在這里，準(zhǔn)確率指標(biāo)可以反映出推薦算法的質(zhì)量，而顯著性和多樣性指標(biāo)可以反映出個(gè)性化推薦算法的性能。
　　(4)設(shè)計(jì)了基于粒關(guān)聯(lián)規(guī)則的冷啟動(dòng)推薦算法，這也是本文的核心內(nèi)容。首先，本文用信息粒來(lái)刻畫新用戶和新項(xiàng)目

5、，例如，“35歲的男經(jīng)理”、“愛(ài)情動(dòng)作電影”和“2014年上映的喜劇電影”等都是信息粒。根據(jù)信息表中已有用戶和項(xiàng)目的信息及他們之間的關(guān)系表，通過(guò)滿足不同指標(biāo)，挖掘出一些粒關(guān)聯(lián)規(guī)則。接著，根據(jù)這些規(guī)則，新用戶可以匹配到合適的用戶粒。然后，采用confidence-based和significance-based兩種方法選取推薦粒；最后，根據(jù)這些推薦粒匹配新項(xiàng)目的粒，并將相應(yīng)的新項(xiàng)目用于推薦。在此基礎(chǔ)上，本文還研究了基于粒關(guān)聯(lián)規(guī)則的Top-