個性化推薦協(xié)同過濾算法研究.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，廣泛應(yīng)用于個性化推薦的研究中，起到了加速個性化推薦發(fā)展的特殊作用。然而，在個性化推薦中極度稀疏的數(shù)據(jù)條件下，協(xié)同過濾存在著相似性度量不準確、推薦精度低的問題和不足。針對這些問題，本文對個性化推薦協(xié)同過濾算法進

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

3、對相似性進行雙重加權(quán)，達到增強用戶興趣差異的作用和效果。
　　2）針對協(xié)同過濾評分預(yù)測中近鄰評分數(shù)據(jù)不足所導(dǎo)致的推薦準確性下降問題，建立灰色評分預(yù)測模型（Grey Rating Prediction Model,簡稱為GRPM）。結(jié)合數(shù)據(jù)固有的“貧信息”、“小樣本”特點，利用灰色理論相關(guān)知識，將灰色預(yù)測與協(xié)同過濾技術(shù)融合，建立灰色評分預(yù)測機制。通過評分序列預(yù)處理來緩解近鄰數(shù)據(jù)稀少所帶來的評分預(yù)測數(shù)據(jù)基礎(chǔ)不足問題，提出利用項目評分均

4、值填充有空缺的初始評分序列?；疑A(yù)測中根據(jù)相似度大小形成遞增評分序列，提出利用項目所有評分均值來填充有空缺的初始評分序列，以更貼近現(xiàn)實情況，再通過序列累加處理加強相似性大的用戶評分分值對預(yù)測評分的影響和作用。
　　3）進行對比實驗，從不同近鄰規(guī)模、不同推薦列表和不同數(shù)據(jù)稀疏水平三個角度，將URBSM與協(xié)同過濾現(xiàn)存相似性度量方法進行對比、GRPM與協(xié)同過濾傳統(tǒng)評分預(yù)測進行比較，以驗證其有效性。最后，將URBSM與GRPM相結(jié)合形成改