基于類別的混合協(xié)同過濾算法研究.pdf

1、隨著網(wǎng)絡(luò)和電子商務(wù)的快速發(fā)展，信息的爆炸性增長在給人們帶來便利的同時，也給人們帶來了如何在大量信息中選擇所需求資源的困惑。而推薦系統(tǒng)就是一個幫助用戶解決信息過載問題的一種智能代理系統(tǒng)。
　　無論是在研究領(lǐng)域還是應(yīng)用領(lǐng)域，協(xié)同過濾算法都是個性化推薦系統(tǒng)中最成功的算法之一。它基于的假設(shè)是:在過去興趣相似的用戶也傾向于在未來喜歡相同的東西。協(xié)同過濾算法的最大優(yōu)勢在于它并不基于任何內(nèi)容信息，因此可以處理音樂、電影和照片等無結(jié)構(gòu)的項目。但與

2、此同時，協(xié)同過濾算法也存在著問題亟待解決，那就是稀疏性問題。
　　為了緩解稀疏性問題，本文中提出了一個改進的協(xié)同過濾算法，名為基于類別的混合協(xié)同過濾算法。該算法在四個主要方面提高了推薦系統(tǒng)的準(zhǔn)確性:首先，本文算法利用項目的類別信息，將項目按照其類別信息分類，形成項目-類別矩陣，并根據(jù)用戶-項目矩陣和項目-類別矩陣構(gòu)建了用戶-類別矩陣。這個過程將一個高維度的矩陣轉(zhuǎn)化為了一個低維度的矩陣。其次，本算法改進了用戶相似度和項目相似度公式，

3、通過在原有相似度計算公式中加入一個基于打分交集計算的相關(guān)權(quán)重的方法，解決了當(dāng)用戶（或項目）打分交集較少時相似性計算不準(zhǔn)確的問題。再次，本文提出了一個新的缺失數(shù)據(jù)預(yù)測策略，也就是在我們改進了的基于用戶的協(xié)同過濾算法運算過程中，先使用改進了的基于項目的協(xié)同過濾算法對空白評分進行預(yù)測的方法。最后，我們?yōu)槊總€用戶構(gòu)造了用戶最近感興趣的類別云，將用戶傾向可能隨著時間發(fā)生改變的因素考慮在內(nèi)，進一步提高了算法的準(zhǔn)確性。
　　在實驗中，我們使用M

4、ovieLens10M的一個擴展數(shù)據(jù)集作為數(shù)據(jù)源，使用平均絕對誤差(MAE)和均方根誤差(RMSE)作為評測指標(biāo)，使用交叉驗證的方式設(shè)定了參數(shù)值。通過使不同訓(xùn)練集所占整體數(shù)據(jù)集的比例不同，我們比較了本文所提出的算法與傳統(tǒng)的基于用戶的協(xié)同過濾算法和基于項目的協(xié)同過濾算法的精確性差距。實驗表明，提出的算法在所有的情況下都比其他兩種算法在性能上有了明顯的提升，MAE的最大的提升比率為22％，RMSE最大的提升比率為28％.不僅如此，在提升率曲