基于用戶(hù)興趣的協(xié)同過(guò)濾推薦算法研究.pdf

1、因特網(wǎng)技術(shù)的快速發(fā)展，推薦系統(tǒng)由于能夠幫助用戶(hù)快速做出適當(dāng)決定，被廣泛應(yīng)用于各大電子商務(wù)網(wǎng)站，推薦服務(wù)的使用能促進(jìn)用戶(hù)由瀏覽者到購(gòu)買(mǎi)者之間的轉(zhuǎn)換，給生產(chǎn)商帶來(lái)商機(jī)的同時(shí)讓用戶(hù)信息生活更加智能高效。協(xié)作過(guò)濾(CF)是作為推薦領(lǐng)域的主要技術(shù)，能夠行之有效地解決信息超載問(wèn)題。協(xié)同過(guò)濾根據(jù)用戶(hù)更易采納與其志同道合的朋友給出的推薦這一思想，采用最近鄰技術(shù)研究用戶(hù)興趣特征，通過(guò)預(yù)測(cè)用戶(hù)興趣進(jìn)行個(gè)性化推薦。在用戶(hù)-項(xiàng)目矩陣中，評(píng)分?jǐn)?shù)據(jù)量與用戶(hù)項(xiàng)目數(shù)比

2、較相當(dāng)稀疏，導(dǎo)致推薦采納率下降，用戶(hù)使用體驗(yàn)不理想。此外，協(xié)同過(guò)濾還存在冷啟動(dòng)，擴(kuò)展性差和未考慮用戶(hù)興趣動(dòng)態(tài)變化等問(wèn)題，導(dǎo)致推薦結(jié)果的準(zhǔn)確率低。因此，我們還需要針對(duì)上述問(wèn)題進(jìn)行進(jìn)一步研究。
　　本研究主要內(nèi)容包括：⑴基于鄰域的協(xié)同過(guò)濾算法在進(jìn)行相似性度量時(shí)只利用用戶(hù)間共同評(píng)分，而數(shù)據(jù)集中用戶(hù)有效數(shù)據(jù)短缺和項(xiàng)目規(guī)模龐大，導(dǎo)致用戶(hù)-項(xiàng)目矩陣稀疏性嚴(yán)重，相似性度量與實(shí)際存在偏差，推薦效果并不理想。因此，本文提出一種基于巴氏系數(shù)和Jacc

3、ard系數(shù)的協(xié)同過(guò)濾算法。在項(xiàng)目相似性度量中，該算法引入巴氏系數(shù)和Jaccard系數(shù)，巴氏系數(shù)能夠利用用戶(hù)所有評(píng)分信息能夠克服共同評(píng)分的限制，提高用戶(hù)有效信息的利用率；Jaccard系數(shù)可以增加相似性度量中共同評(píng)分項(xiàng)所占的比重，調(diào)整巴氏系數(shù)使用全局用戶(hù)數(shù)據(jù)信息而忽略了共同評(píng)分項(xiàng)對(duì)相似性度量的重要性；最后同時(shí)利用兩個(gè)系數(shù)提高相似性度量準(zhǔn)確率。通過(guò)實(shí)驗(yàn)驗(yàn)證，該算法通過(guò)提高項(xiàng)目相似度準(zhǔn)確率來(lái)選取最近鄰，優(yōu)化了對(duì)目標(biāo)用戶(hù)的偏好預(yù)測(cè)和個(gè)性化推薦。

4、⑵基于用戶(hù)的協(xié)同過(guò)濾在進(jìn)行推薦時(shí)，側(cè)重于如何高效利用歷史評(píng)分?jǐn)?shù)據(jù)來(lái)計(jì)算似度，忽略了評(píng)分?jǐn)?shù)據(jù)的時(shí)效性問(wèn)題。考慮時(shí)間因素對(duì)推薦的影響，針對(duì)某個(gè)時(shí)刻用戶(hù)喜好突然發(fā)生變化導(dǎo)致用戶(hù)歷史數(shù)據(jù)失真，用戶(hù)進(jìn)行聚類(lèi)的時(shí)刻存在隨機(jī)性和評(píng)分預(yù)測(cè)與實(shí)際數(shù)據(jù)差距大的問(wèn)題，提出用戶(hù)興趣偏移和聚類(lèi)的推薦算法。首先，引入項(xiàng)目關(guān)聯(lián)相似度和項(xiàng)目關(guān)聯(lián)圖，項(xiàng)目關(guān)聯(lián)相似度考慮項(xiàng)目隱形屬性提高相似度準(zhǔn)確率，項(xiàng)目關(guān)聯(lián)圖將項(xiàng)目聚合分類(lèi)，縮短推薦列表生成的時(shí)間；然后根據(jù)關(guān)聯(lián)圖建立興趣模