新型協(xié)同過(guò)濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，推薦算法已經(jīng)應(yīng)用到很多領(lǐng)域，協(xié)同過(guò)濾推薦算法是經(jīng)典的、應(yīng)用廣泛的推薦算法。然而傳統(tǒng)的協(xié)同過(guò)濾推薦算法面臨著很多問(wèn)題,其中最嚴(yán)重的是冷啟動(dòng)問(wèn)題、數(shù)據(jù)稀疏問(wèn)題和擴(kuò)展性問(wèn)題。本文針對(duì)這些問(wèn)題，對(duì)傳統(tǒng)的協(xié)同過(guò)濾推薦算法做了一定的改進(jìn)。
　　本文針對(duì)數(shù)據(jù)稀疏性問(wèn)題，提出了一種基于項(xiàng)目相似度學(xué)習(xí)的協(xié)同過(guò)濾推薦算法。該算法首先根據(jù)項(xiàng)目屬性相似性度量方法計(jì)算出所有項(xiàng)目的相似度矩陣，然后選取目標(biāo)項(xiàng)目的前K個(gè)最相似的項(xiàng)目作為其初始鄰

2、近集;再將訓(xùn)練集中目標(biāo)項(xiàng)目的評(píng)分向量作為期望輸出，目標(biāo)項(xiàng)目的K個(gè)鄰近項(xiàng)目的評(píng)分向量輸入到RBF神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，得到項(xiàng)目相似度訓(xùn)練模型;再將測(cè)試數(shù)據(jù)集中的目標(biāo)項(xiàng)目的K個(gè)鄰近項(xiàng)目的評(píng)分向量輸入訓(xùn)練模型，最后輸出目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分向量。針對(duì)新項(xiàng)目冷啟動(dòng)問(wèn)題，我們計(jì)算出新加入項(xiàng)目與其他項(xiàng)目的屬性相似度，然后取出前K個(gè)最相似的項(xiàng)目構(gòu)成鄰近集并且計(jì)算出新加入項(xiàng)目的預(yù)測(cè)評(píng)分向量。最后取出對(duì)目標(biāo)項(xiàng)目評(píng)分大于等于3且分?jǐn)?shù)排在前N位的用戶(hù)，并將目標(biāo)項(xiàng)目

3、推薦給這些用戶(hù)。針對(duì)數(shù)據(jù)稀疏性和擴(kuò)展性問(wèn)題，提出了一種基于社交網(wǎng)絡(luò)和標(biāo)簽的協(xié)同過(guò)濾推薦算法。該算法將目標(biāo)用戶(hù)與他的朋友之間的信任度、熟悉度和標(biāo)簽信息反映的興趣偏好相似度結(jié)合起來(lái)，計(jì)算出與他相似度較高的K個(gè)朋友作為鄰居集合，從而為目標(biāo)用戶(hù)推薦喜歡的項(xiàng)目;然后，針對(duì)新用戶(hù)冷啟動(dòng)問(wèn)題，提出了基于樸素貝葉斯算法的模型。它利用樸素貝葉斯算法對(duì)訓(xùn)練集中的用戶(hù)進(jìn)行分類(lèi)，將新用戶(hù)劃分到所屬的類(lèi)別，即求出新用戶(hù)最喜歡的項(xiàng)目類(lèi)型，然后在這種類(lèi)型的項(xiàng)目里選擇