融合信任關(guān)系的協(xié)同過濾算法改進(jìn)研究.pdf

1、隨著Web2.0、移動(dòng)互聯(lián)網(wǎng)等技術(shù)的崛起，人們獲取信息的方式發(fā)生了巨大的改變，信息化已經(jīng)日益深入?；ヂ?lián)網(wǎng)上的信息迅速增長，人們進(jìn)入了大數(shù)據(jù)時(shí)代。對(duì)于信息消費(fèi)者而言，如何在海量的信息數(shù)據(jù)中找到自己感興趣的、對(duì)自己有價(jià)值的信息變得越來越困難，另一方面也讓網(wǎng)絡(luò)中大量的信息無人問津變成長尾沉默使信息利用率降低。在此需求的推動(dòng)下，推薦系統(tǒng)應(yīng)用而生，它可以通過分析用戶歷史行為數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘的相關(guān)技術(shù)預(yù)測(cè)用戶的興趣愛好，主動(dòng)向用戶推送信息。目前推

2、薦系統(tǒng)已被廣泛應(yīng)用于各個(gè)領(lǐng)域。
　　此外，近幾年社交網(wǎng)絡(luò)發(fā)展十分迅速，它將現(xiàn)實(shí)生活中的人們通過網(wǎng)絡(luò)聯(lián)系在一起。人們可以在網(wǎng)絡(luò)上交換信息，將這些信息應(yīng)用到推薦過程中，在很大程度上彌補(bǔ)推薦算法的不足。本文充分挖掘社會(huì)網(wǎng)絡(luò)中用戶之間的關(guān)系，結(jié)合傳統(tǒng)推薦算法預(yù)測(cè)用戶對(duì)服務(wù)項(xiàng)目的評(píng)分，提高推薦的質(zhì)量和可靠性。
　　本文的主要研究工作如下:
　　(1)在用戶評(píng)分?jǐn)?shù)據(jù)極端稀疏的情況下，傳統(tǒng)的用戶相似度計(jì)算方法存在弊端，導(dǎo)致推薦系統(tǒng)的

3、推薦質(zhì)量急劇下降。本文使用局部相似度的概念，引入重疊度因子修正用戶局部相似度，然后將修正的局部相似度相加得到用戶全局相似度。改進(jìn)的用戶相似度算法避免了傳統(tǒng)方法中共同評(píng)分項(xiàng)目數(shù)據(jù)稀少但評(píng)分非常相似、用戶相似度較高的不合理現(xiàn)象。
　　(2)傳統(tǒng)協(xié)同過濾算法將用戶間的相似度作為最終權(quán)重，生成鄰居用戶，沒有考慮到用戶間的信任關(guān)系對(duì)推薦結(jié)果的影響，本文認(rèn)為用戶間的信任關(guān)系也可以作為推薦的權(quán)重，生成鄰居用戶進(jìn)而進(jìn)行推薦。針對(duì)傳統(tǒng)協(xié)同過濾算法中

4、存在的數(shù)據(jù)稀疏性問題，本文提出了信任關(guān)系傳遞規(guī)則，在一定程度上緩解了上述問題。
　　(3)傳統(tǒng)的協(xié)同過濾算法僅僅依靠用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)進(jìn)行推薦，沒有考慮到用戶評(píng)分信息過期的問題，越早的評(píng)分信息價(jià)值越低，越晚的評(píng)分信息價(jià)值越高。為了更準(zhǔn)確的對(duì)未評(píng)分項(xiàng)目進(jìn)行預(yù)測(cè)，本文在評(píng)分預(yù)測(cè)階段引入時(shí)間權(quán)重函數(shù)，以此來提高推薦的質(zhì)量。
　　最后，為了驗(yàn)證本文提出的融合信任關(guān)系的協(xié)同過濾算法(STCF)的有效性，采用MovieLens數(shù)據(jù)集進(jìn)行