改進(jìn)的多準(zhǔn)則評(píng)分協(xié)同過(guò)濾推薦算法.pdf

1、互聯(lián)網(wǎng)技術(shù)迅速融入各行各業(yè)中，信息資源也得以快速增長(zhǎng)，數(shù)據(jù)從稀缺時(shí)代轉(zhuǎn)變到現(xiàn)在的數(shù)據(jù)爆炸時(shí)代。信息量的激增對(duì)商家和用戶都在一定程度上帶來(lái)嚴(yán)峻的考驗(yàn)，而個(gè)性化推薦系統(tǒng)服務(wù)是解決這一現(xiàn)狀的有效方法。目前，協(xié)同過(guò)濾算法是應(yīng)用最為廣泛的推薦算法之一，但是目前的協(xié)同過(guò)濾算法都存在數(shù)據(jù)稀疏性問(wèn)題和可擴(kuò)展性問(wèn)題。本文的目的在于利用降維技術(shù)和模糊神經(jīng)技術(shù)解決可擴(kuò)展性問(wèn)題和緩解評(píng)分?jǐn)?shù)據(jù)的稀疏性，從而提高多準(zhǔn)則評(píng)分協(xié)同過(guò)濾推薦系統(tǒng)的推薦質(zhì)量和預(yù)測(cè)精度。

2、r>　　通常，大多數(shù)的傳統(tǒng)推薦系統(tǒng)使用單準(zhǔn)則評(píng)分來(lái)表示一個(gè)用戶對(duì)特定物品的整體喜歡程度，而會(huì)忽略用戶對(duì)物品不同側(cè)面的喜歡程度，未能關(guān)注到用戶潛在的各種興趣愛(ài)好。而在基于多準(zhǔn)則評(píng)分的協(xié)同過(guò)濾推薦算法中，對(duì)物品的多個(gè)方面進(jìn)行評(píng)分，系統(tǒng)就可以獲得更多用戶的興趣愛(ài)好，但同時(shí)也增加了數(shù)據(jù)的主觀性、不確定性和模糊性，從而提高了整個(gè)評(píng)分矩陣的數(shù)據(jù)稀疏性，降低推薦系統(tǒng)的可擴(kuò)展性。因此，本文根據(jù)以上多準(zhǔn)則評(píng)分協(xié)同過(guò)濾存在的相關(guān)問(wèn)題，采用一種使用高階奇異值

3、分解（High Order Singular Value Decomposition, HOSVD）和自適應(yīng)模糊神經(jīng)推理系統(tǒng)(Adaptive Fuzzy Neural Inference System, ANFIS)來(lái)解決多維數(shù)據(jù)帶來(lái)的推薦系統(tǒng)可擴(kuò)展性問(wèn)題和緩解評(píng)分矩陣的稀疏性問(wèn)題。首先，使用高階奇異值分解（HOSVD）方法把高維數(shù)據(jù)轉(zhuǎn)換為多個(gè)低維數(shù)據(jù)；然后，在較低維的數(shù)據(jù)上分別對(duì)用戶間和物品間進(jìn)行聚類，獲得類標(biāo)簽；最后，使用基于減法

4、聚類的自適應(yīng)模糊神經(jīng)推理系統(tǒng)（ANFIS）從實(shí)驗(yàn)數(shù)據(jù)中抽取模糊規(guī)則以表示和推理用戶在物品各個(gè)方面上的行為特征。高階奇異值分解（HOSVD）和自適應(yīng)模糊神經(jīng)推理系統(tǒng)(ANFIS)合理的有機(jī)融合，充分利用了高階奇異值分解（HOSVD）高效處理高維度數(shù)據(jù)的功能，也避免了模糊推理系統(tǒng)的設(shè)計(jì)要依賴于人類專家經(jīng)驗(yàn)。通過(guò)利用上述兩種技術(shù)和多準(zhǔn)則評(píng)分協(xié)同過(guò)濾算法結(jié)合，可以顯著地提高算法的準(zhǔn)確率，也一定程度上緩解了協(xié)同過(guò)濾推薦系統(tǒng)的稀疏性問(wèn)題和擴(kuò)展性問(wèn)題