基于協(xié)同過濾的推薦算法研究與引擎設(shè)計(jì).pdf

1、隨著推薦系統(tǒng)的持續(xù)發(fā)展和應(yīng)用，用戶數(shù)和項(xiàng)目數(shù)驟增，導(dǎo)致現(xiàn)有的推薦系統(tǒng)受到冷啟動問題、稀疏性問題和可擴(kuò)展性問題的阻撓。本文從協(xié)同過濾推薦算法出發(fā)，深入探討了協(xié)同過濾推薦算法中運(yùn)用的各種技術(shù)，分析了各種協(xié)同過濾推薦算法的特點(diǎn)，從不同角度給出了上述問題的解決思路。
　　為提高推薦算法的推薦效果，提出兩種改進(jìn)的相似度計(jì)算公式 EuclideanRPR相似度與 Co-Occurrence-RPR相似度。EuclideanRPR相似度提高了推

2、薦結(jié)果的精度，Co-Occurrence-RPR相似度提高了推薦結(jié)果的準(zhǔn)確率和召回率。在MovieLens經(jīng)典數(shù)據(jù)集上驗(yàn)證了改進(jìn)相似度的有效性。
　　為解決共同評分?jǐn)?shù)據(jù)偏少導(dǎo)致的相似度計(jì)算公式可信度下降的問題，提出一種融合物品標(biāo)簽信息的混合推薦算法 ItemCF-T，該算法能夠根據(jù)項(xiàng)目間共同評分項(xiàng)目的數(shù)量信息，自適應(yīng)選取合適的相似度計(jì)算公式，從而使推薦精度有所提高，在MovieLens數(shù)據(jù)集上驗(yàn)證了該算法的有效性。
　　為解

3、決推薦系統(tǒng)中常見的數(shù)據(jù)稀疏和擴(kuò)展性問題，研究了四種基于SVD的推薦算法，分別是SVD-ALS、SVD-SGD、Biased-SVD及SVD++算法，并比較了各個(gè)基于SVD推薦算法的特點(diǎn)，最終通過在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了基于SVD的協(xié)同過濾推薦算法的優(yōu)勢與前景。
　　最后，實(shí)現(xiàn)了一個(gè)基于 C/S模式的電影推薦系統(tǒng)，并運(yùn)用上述改進(jìn)的Co-Occurrence-RPR相似度的ItemCF算法對推薦引擎進(jìn)行實(shí)現(xiàn)并優(yōu)化，使用