基于類(lèi)別的混合協(xié)同過(guò)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(zhǎng)在給人們帶來(lái)便利的同時(shí)，也給人們帶來(lái)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(gè)幫助用戶(hù)解決信息過(guò)載問(wèn)題的一種智能代理系統(tǒng)。
　　無(wú)論是在研究領(lǐng)域還是應(yīng)用領(lǐng)域，協(xié)同過(guò)濾算法都是個(gè)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(guò)去興趣相似的用戶(hù)也傾向于在未來(lái)喜歡相同的東西。協(xié)同過(guò)濾算法的最大優(yōu)勢(shì)在于它并不基于任何內(nèi)容信息，因此可以處理音樂(lè)、電影和照片等無(wú)結(jié)構(gòu)的項(xiàng)目。但與

2、此同時(shí)，協(xié)同過(guò)濾算法也存在著問(wèn)題亟待解決，那就是稀疏性問(wèn)題。
　　為了緩解稀疏性問(wèn)題，本文中提出了一個(gè)改進(jìn)的協(xié)同過(guò)濾算法，名為基于類(lèi)別的混合協(xié)同過(guò)濾算法。該算法在四個(gè)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(xiàng)目的類(lèi)別信息，將項(xiàng)目按照其類(lèi)別信息分類(lèi)，形成項(xiàng)目-類(lèi)別矩陣，并根據(jù)用戶(hù)-項(xiàng)目矩陣和項(xiàng)目-類(lèi)別矩陣構(gòu)建了用戶(hù)-類(lèi)別矩陣。這個(gè)過(guò)程將一個(gè)高維度的矩陣轉(zhuǎn)化為了一個(gè)低維度的矩陣。其次，本算法改進(jìn)了用戶(hù)相似度和項(xiàng)目相似度公式，

3、通過(guò)在原有相似度計(jì)算公式中加入一個(gè)基于打分交集計(jì)算的相關(guān)權(quán)重的方法，解決了當(dāng)用戶(hù)（或項(xiàng)目）打分交集較少時(shí)相似性計(jì)算不準(zhǔn)確的問(wèn)題。再次，本文提出了一個(gè)新的缺失數(shù)據(jù)預(yù)測(cè)策略，也就是在我們改進(jìn)了的基于用戶(hù)的協(xié)同過(guò)濾算法運(yùn)算過(guò)程中，先使用改進(jìn)了的基于項(xiàng)目的協(xié)同過(guò)濾算法對(duì)空白評(píng)分進(jìn)行預(yù)測(cè)的方法。最后，我們?yōu)槊總€(gè)用戶(hù)構(gòu)造了用戶(hù)最近感興趣的類(lèi)別云，將用戶(hù)傾向可能隨著時(shí)間發(fā)生改變的因素考慮在內(nèi)，進(jìn)一步提高了算法的準(zhǔn)確性。
　　在實(shí)驗(yàn)中，我們使用M

4、ovieLens10M的一個(gè)擴(kuò)展數(shù)據(jù)集作為數(shù)據(jù)源，使用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)作為評(píng)測(cè)指標(biāo)，使用交叉驗(yàn)證的方式設(shè)定了參數(shù)值。通過(guò)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(hù)的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法的精確性差距。實(shí)驗(yàn)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