基于用戶興趣和領域最近鄰的混合推薦算法研究.pdf

1、面對大數據的時代，怎么從雜亂無章的信息海洋里準確的推薦給用戶感興趣的信息，這將是推薦算法研究的主要任務。最為經典的兩個推薦算法是基于內容過濾和協(xié)同過濾推薦算法，但再經典的推薦算法也有自己的缺點。數據稀疏性和冷啟動是協(xié)同過濾推薦算法的主要問題。基于內容過濾的推薦算法有一個比較嚴重的問題，那就是新用戶問題，因為該算法并未考慮用戶的興趣改變對推薦效果的影響。當系統(tǒng)中新增一個用戶時，新增用戶的歷史瀏覽記錄是不存在的，它將無法對新增用戶做出正確的

2、推薦。
　　針對這些，本文提出一種結合了用戶興趣和領域最近鄰的的混合推薦算法(UIDNN)，用于個性化服務推薦。首先，考慮用戶的興趣偏好不是永遠不變的。用戶的興趣偏好隨著時間的變化跟人類對于基本事物的遺忘規(guī)律很類似。引入非線性逐步遺忘函數求取用戶對商品項目的興趣度。然后根據用戶-商品屬性標簽集合形成用戶-興趣度集合，對用戶-商品項目評分集合中未評價商品項目采用平均值法進行填充、已評價商品項目進行互補形成用戶-興趣度矩陣，降低了數據

3、的稀疏性。其次，引入“屬性領域最近鄰”方法查找目標用戶的最近鄰，在查找最近鄰居時，根據用戶-興趣度集合去降低算法的在線計算量。這種做法主要是通過判斷目標用戶的鄰居有沒有這個推薦能力，從而不去考慮那些對目標用戶無推薦能力的用戶。預測未評價商品評分，采用用戶-興趣度集合的余弦相似度計算用戶的相似度;最后把與目標用戶相似度大小在前N位的項目推薦給目標用戶。基于這些對目標用戶進行推薦。
　　通過實驗，本文提出的基于用戶興趣和領域最近鄰的混