基于改進協(xié)同過濾算法的個性化新聞推薦系統(tǒng)的研究與實現(xiàn).pdf

1、隨著網(wǎng)絡(luò)與信息技術(shù)的飛速發(fā)展，大量信息快速涌現(xiàn)，網(wǎng)絡(luò)資源呈指數(shù)式增長，用戶很難快速找到需要的信息。作為信息數(shù)據(jù)過濾的重要方法，個性化推薦系統(tǒng)被廣泛認為是解決信息數(shù)據(jù)過載問題的有效途徑，并在各領(lǐng)域得到了廣泛應(yīng)用。雖然個性化推薦系統(tǒng)已經(jīng)取得了不錯的成績，但是仍然在多方面存在缺陷，如：推薦質(zhì)量受數(shù)據(jù)稀疏性問題和冷開始問題影響嚴(yán)重、系統(tǒng)可擴展性差、推薦實時性差等。
　　針對個性化推薦系統(tǒng)存在的上述不足，本文對個性化新聞推薦系統(tǒng)采用的協(xié)同過

2、濾推薦算法進行了深入的、有價值的探索研究，期望幫助讀者從海量新聞資訊中快速準(zhǔn)確的找到其感興趣的新聞并獲得期望的閱讀體驗。本文的主要工作為：
　?、賹€性化推薦相關(guān)技術(shù)及其研究現(xiàn)狀進行綜述。
　?、谔岢鲆环N改進混合用戶模型的協(xié)同過濾推薦算法（IHUMCF）。首先，IHUMCF提出一種新的用戶興趣建模方法，此方法在傳統(tǒng)用戶-項目評分矩陣基礎(chǔ)上，融入項目屬性和用戶人口統(tǒng)計信息，把用戶-項目評分矩陣轉(zhuǎn)化為基于用戶興趣特征和項目屬性特

3、征的混合評分矩陣（MRM），提高了用戶模型的信息密度。其次，IHUMCF提出一種新的相似度計算方法，針對用戶評分尺度差異性問題，IHUMCF在用戶相似度計算過程中引入了用戶評分合理因子，以此改進用戶相似度計算方法，提升查找最近鄰居集的準(zhǔn)確度。
　　③設(shè)計并實現(xiàn)了基于IHUMCF算法的個性化新聞推薦系統(tǒng)，經(jīng)驗證，此系統(tǒng)具有為用戶個性化推薦的功能，且具有良好的性能，同時證明了基于IHUMCF算法的個性化新聞推薦系統(tǒng)推薦效果有明顯提升。