個(gè)性化推薦協(xié)同過(guò)濾算法研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)與信息服務(wù)的快速發(fā)展，社交網(wǎng)絡(luò)、電子商務(wù)網(wǎng)站等互聯(lián)網(wǎng)服務(wù)的應(yīng)用愈加成熟。個(gè)性化推薦作為一種關(guān)鍵性技術(shù)支持因素，在社交性和商務(wù)性的互聯(lián)網(wǎng)服務(wù)中具有重要地位。
　　協(xié)同過(guò)濾推薦算法以優(yōu)秀數(shù)據(jù)建模技術(shù)及服務(wù)智能化的特點(diǎn)，廣泛應(yīng)用于個(gè)性化推薦的研究中，起到了加速個(gè)性化推薦發(fā)展的特殊作用。然而，在個(gè)性化推薦中極度稀疏的數(shù)據(jù)條件下，協(xié)同過(guò)濾存在著相似性度量不準(zhǔn)確、推薦精度低的問(wèn)題和不足。針對(duì)這些問(wèn)題，本文對(duì)個(gè)性化推薦協(xié)同過(guò)濾算法進(jìn)

2、行研究，主要工作如下：
　　1）針對(duì)協(xié)同過(guò)濾中常用相似性度量方法不準(zhǔn)確問(wèn)題，建立基于用戶評(píng)分行為的相似性模型（User Rating Behavior based Similarity Model,簡(jiǎn)稱為URBSM）。URBSM在用戶行為層面把握用戶評(píng)分行為規(guī)律和整體數(shù)據(jù)環(huán)境變化，從用戶評(píng)分行為異同性出發(fā)，將非線性函數(shù)S型函數(shù)引入度量模型。同時(shí)，考慮整體用戶評(píng)分重疊以及用戶評(píng)分習(xí)慣，利用Jaccard相似性系數(shù)和均方差相似性MSD

3、對(duì)相似性進(jìn)行雙重加權(quán)，達(dá)到增強(qiáng)用戶興趣差異的作用和效果。
　　2）針對(duì)協(xié)同過(guò)濾評(píng)分預(yù)測(cè)中近鄰評(píng)分?jǐn)?shù)據(jù)不足所導(dǎo)致的推薦準(zhǔn)確性下降問(wèn)題，建立灰色評(píng)分預(yù)測(cè)模型（Grey Rating Prediction Model,簡(jiǎn)稱為GRPM）。結(jié)合數(shù)據(jù)固有的“貧信息”、“小樣本”特點(diǎn)，利用灰色理論相關(guān)知識(shí)，將灰色預(yù)測(cè)與協(xié)同過(guò)濾技術(shù)融合，建立灰色評(píng)分預(yù)測(cè)機(jī)制。通過(guò)評(píng)分序列預(yù)處理來(lái)緩解近鄰數(shù)據(jù)稀少所帶來(lái)的評(píng)分預(yù)測(cè)數(shù)據(jù)基礎(chǔ)不足問(wèn)題，提出利用項(xiàng)目評(píng)分均

4、值填充有空缺的初始評(píng)分序列?；疑A(yù)測(cè)中根據(jù)相似度大小形成遞增評(píng)分序列，提出利用項(xiàng)目所有評(píng)分均值來(lái)填充有空缺的初始評(píng)分序列，以更貼近現(xiàn)實(shí)情況，再通過(guò)序列累加處理加強(qiáng)相似性大的用戶評(píng)分分值對(duì)預(yù)測(cè)評(píng)分的影響和作用。
　　3）進(jìn)行對(duì)比實(shí)驗(yàn)，從不同近鄰規(guī)模、不同推薦列表和不同數(shù)據(jù)稀疏水平三個(gè)角度，將URBSM與協(xié)同過(guò)濾現(xiàn)存相似性度量方法進(jìn)行對(duì)比、GRPM與協(xié)同過(guò)濾傳統(tǒng)評(píng)分預(yù)測(cè)進(jìn)行比較，以驗(yàn)證其有效性。最后，將URBSM與GRPM相結(jié)合形成改