基于混合用戶模型的協同過濾推薦算法研究.pdf

1、互聯網的普及和電子商務的迅速發(fā)展造成了信息的過載，用戶在大量的產品信息中難以找到需要的商品，由此，電子商務推薦系統應運而生。當前，電子商務推薦系統在實際運用中還不成熟，仍然存在許多問題，如推薦質量受到龐大而稀疏的用戶評價數據的嚴重影響、系統的可擴展性能差、推薦實時性差等。論文針對推薦系統存在的主要問題，對電子商務個性化推薦系統中的用戶模型和協同過濾推薦算法進行了有益的探索和研究。
　　 協同過濾是個性化推薦系統中應用最廣泛和最成

2、功的推薦技術，但是它也面臨著推薦準確度和可擴展性兩大挑戰(zhàn)。協同過濾技術分為基于內存和基于模型兩種，前者的推薦準確度更高，但可擴展性比后者低。論文提出了混合用戶模型，基于該模型的協同過濾推薦系統既具有基于內存協同過濾的推薦準確度，又具有基于模型協同過濾的可擴展性。
　　 在用戶模型層面，論文分析了目前的協同過濾推薦中經典用戶模型存在的缺陷，利用商品組合特征和人口統計信息構建了混合用戶模型?；旌嫌脩裟Ｐ蜐饪s了項目內容描述信息、用戶人

3、口統計信息和用戶-項目評分矩陣，提高了用戶模型的信息濃度，在一定程度上解決了稀疏性和冷開始問題?；旌嫌脩裟Ｐ鸵氲奶卣髋d趣度，反映了用戶對特征的偏好程度，在計算用戶之間相似度時更為準確。
　　 在協同過濾算法層面，論文分析了當前電子商務個性化推薦系統中常用的協同過濾推薦算法存在的稀疏性、可擴展性、實時性和推薦準確度等問題，提出了基于混合用戶模型的協同過濾推薦算法。該方法采用基于內容的過濾和基于人口統計信息的過濾離線構建用戶模型，

4、然后基于該模型運用協同過濾在線產生推薦。
　　 在特征層、模型層、協同過濾算法層三個不同層次引入組合，降低了系統的復雜性和計算時間，提高了可擴展性和推薦準確度。協同過濾算法層引入了遺傳算法學習用戶模型中每個特征的權重取值，使系統對用戶偏好的描述更加準確。
　　 采用MovieLens數據集對論文提出的改進算法進行了仿真實驗。實驗結果表明：基于混合用戶模型的協同過濾推薦算法在推薦的準確性、完整性、可擴展性等方面均優(yōu)于實驗對