面向數(shù)據(jù)稀疏問題的協(xié)同過濾推薦算法改進研究.pdf

1、隨著網(wǎng)絡技術和設備的提高，網(wǎng)絡用戶已不僅僅是信息的獲取者，還是信息的發(fā)布者。網(wǎng)絡上的信息資源越來越多，要從大量的信息中獲取有用的信息變得越來越難。推薦系統(tǒng)能為網(wǎng)絡用戶提供最相關的和感興趣的信息，從而滿足網(wǎng)絡用戶的需求。在推薦系統(tǒng)中，使用最廣泛的算法是協(xié)同過濾推薦算法，特別是在電子商務領域中，協(xié)同過濾推薦算法獲得了很大的成功。由于協(xié)同過濾推薦算法是利用其它用戶的信息來進行推薦的，它能為用戶推薦任何類型的內(nèi)容，所以相較于基于內(nèi)容的推薦算法，

2、協(xié)同過濾推薦算法具有更大的優(yōu)勢。
　　協(xié)同過濾推薦算法主要是利用用戶在網(wǎng)站上留下的評分信息為用戶提供個性化的推薦。由于用戶和項目的數(shù)量非常大，而用戶對項目的評分數(shù)量十分有限，使得協(xié)同過濾推薦算法面臨著數(shù)據(jù)稀疏性的問題。數(shù)據(jù)稀疏性問題是造成傳統(tǒng)協(xié)同過濾推薦算法評分預測準確度和推薦質量不高的一個主要原因。
　　本文主要研究了面向數(shù)據(jù)稀疏性的協(xié)同過濾推薦算法，提出基于用戶隱性背景信息和非鄰居用戶的協(xié)同過濾推薦算法。本文首先提出了用

3、戶隱性背景信息的概念，將用戶隱性背景信息引入到協(xié)同過濾推薦算法中，利用用戶-項目評分矩陣和用戶背景信息，得出項目屬性值，根據(jù)項目屬性值和項目類別，計算得到每個項目類別下的用戶隱性背景信息；再將用戶隱性背景信息與多屬性決策方法進行結合，對項目進行過濾，對初始評分矩陣進行降維，形成初始項目集；接著在初始項目集中，用傳統(tǒng)相似度算法進行相似度計算，選出目標用戶的鄰居用戶，余下的作為目標用戶的非鄰居用戶，對于鄰居用戶用傳統(tǒng)的協(xié)同過濾推薦算法預測評

4、分，對于非鄰居用戶，用概率來表示與目標用戶的評分模式關系，預測出項目的評分；然后分別賦予鄰居用戶預測評分和非鄰居用戶預測評分的權重，將這兩種預測評分結合起來，得到最終的項目預測評分及推薦項目集，為目標用戶提供推薦。本文提出的方法用MovieLens數(shù)據(jù)庫中的數(shù)據(jù)進行了實驗和評估，實驗證明相較于傳統(tǒng)的協(xié)同過濾推薦算法，本文提出的方法在數(shù)據(jù)稀疏性、項目評分預測準確性和項目分類準確性這三個方面有更好的表現(xiàn)。在文章的最后，本文總結了研究工作內(nèi)容