協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究.pdf

1、隨著網(wǎng)絡(luò)的迅速發(fā)展，人類進(jìn)入了信息社會和網(wǎng)絡(luò)時(shí)代，Internet正為人們提供越來越多的信息和服務(wù)?；ヂ?lián)網(wǎng)打破了人們傳統(tǒng)生活和學(xué)習(xí)的時(shí)空限制，人們可以方便的在互聯(lián)網(wǎng)上購物，也可以隨時(shí)隨地通過互聯(lián)網(wǎng)進(jìn)行學(xué)習(xí)。但是人們在享受Internet帶來的便利的同時(shí)，也不得不面對浩如煙海的數(shù)據(jù)以及大量的垃圾信息，這就帶來了著名的“信息過載”和“信息迷航”問題。個(gè)性化推薦系統(tǒng)此時(shí)應(yīng)運(yùn)而生，它能夠感知用戶的興趣或需求，而后實(shí)現(xiàn)個(gè)性化的資源推薦，有效的解決

2、了“信息過載”和“信息迷航”問題。
　　在個(gè)性化推薦系統(tǒng)中，協(xié)同過濾算法是目前最成功也是應(yīng)用最廣泛的技術(shù)之一，但隨著用戶數(shù)的增加以及系統(tǒng)規(guī)模的擴(kuò)大，協(xié)同過濾技術(shù)面臨諸多挑戰(zhàn)。本文以協(xié)同過濾技術(shù)為主要研究目標(biāo)，從用戶使用的角度出發(fā)，選擇對用戶使用有嚴(yán)重影響的關(guān)鍵問題進(jìn)行深入的探討和研究，旨在改善協(xié)同過濾算法所面臨的稀疏性、用戶冷啟動以及擴(kuò)展性等問題。針對上述問題，論文在以下幾個(gè)方面開展理論研究與實(shí)踐工作:
　　1)針對傳統(tǒng)基于

3、項(xiàng)目的協(xié)同過濾算法在數(shù)據(jù)稀疏時(shí)的較高預(yù)測準(zhǔn)確度而低推薦精度的問題，本文提出了基于相關(guān)度協(xié)同過濾算法(Relation-based Collaborative Filtering，RBCF)。首先，指出傳統(tǒng)算法產(chǎn)生候選項(xiàng)目集的不合理，引入關(guān)聯(lián)規(guī)則思想，根據(jù)項(xiàng)目關(guān)聯(lián)關(guān)系生成項(xiàng)目關(guān)聯(lián)矩陣，并使用項(xiàng)目關(guān)聯(lián)矩陣生成候選項(xiàng)目集;然后，針對數(shù)據(jù)稀疏情況下相似度準(zhǔn)確性較差的問題，提出了修正的Pearson相關(guān)系數(shù)，進(jìn)一步提高了相似度的準(zhǔn)確性;最后，實(shí)驗(yàn)

4、證明在評分矩陣相當(dāng)稀疏的情況下，本文提出的算法能夠明顯提高推薦質(zhì)量。同時(shí)，該算法大大降低了候選項(xiàng)目集的規(guī)模，在一定程度上緩解了算法的擴(kuò)展性問題。
　　2)詳細(xì)分析了傳統(tǒng)基于項(xiàng)目的協(xié)同過濾算法在面對新用戶冷啟動問題時(shí)，待預(yù)測項(xiàng)目的近鄰數(shù)不足等問題，提出了一種基于局部填充的協(xié)同過濾算法(Filling-based Collaborative Filtering,FBCF)。算法使用局部最大可能性填充方法擴(kuò)展新用戶的已評分項(xiàng)目集，以便為

5、待預(yù)測項(xiàng)目提供較多的近鄰。與傳統(tǒng)填充算法不同，本文方法不需要額外的用戶或項(xiàng)目的屬性信息。最后，實(shí)驗(yàn)結(jié)果證明本文提出的算法能夠有效改善新用戶冷啟動問題。
　　3)隨著用戶數(shù)的增加以及系統(tǒng)規(guī)模的擴(kuò)大，協(xié)同過濾算法還面臨著嚴(yán)重的擴(kuò)展性問題?；趯＜业膮f(xié)同過濾算法提供了一種新的解決思路，能夠在保證相對較高的預(yù)測準(zhǔn)確度和推薦精度的同時(shí)，較為有效地解決擴(kuò)展性問題。但是，也帶來了新的問題——如何有效地選擇專家。為此，本文提出了一種基于聚類選擇專

6、家的協(xié)同過濾算法(Collaborative Filtering AlgorithmIncorporated with Cluster-based Expert Selection，CBES)。該算法首先對專家進(jìn)行了重定義，將專家映射為簡單易測量的度量;然后引入聚類方法將項(xiàng)目空間分成不同領(lǐng)域，從每個(gè)領(lǐng)域?qū)?yīng)用戶中選擇出代表組成專家集;最后，實(shí)驗(yàn)結(jié)果表明在預(yù)測準(zhǔn)確度和推薦精度上，本文提出的算法取得了較好的效果。
　　4)在前文所作研

7、究的基礎(chǔ)上，本文探討了面向適應(yīng)學(xué)習(xí)服務(wù)的協(xié)同過濾系統(tǒng)研究與實(shí)現(xiàn)，文章設(shè)計(jì)并實(shí)現(xiàn)了基于村鎮(zhèn)教育平臺的協(xié)同過濾推薦系統(tǒng)(Recommendation System forCountry Education Platform，CEPRS)。系統(tǒng)綜合實(shí)現(xiàn)了本文提出的算法，為在線學(xué)習(xí)用戶提供了個(gè)性化服務(wù)，使得在線教育平臺在用戶中心化上前進(jìn)了一大步。文章介紹了系統(tǒng)的體系結(jié)構(gòu)和主要功能模塊，并對算法的實(shí)現(xiàn)進(jìn)行了簡要說明，另外，該系統(tǒng)具有良好的可移植性