面向數(shù)據(jù)稀疏的個性化推薦算法研究與改進.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)和電子商務系統(tǒng)的快速發(fā)展，網(wǎng)絡上的信息數(shù)據(jù)開始呈指數(shù)型增長。面對網(wǎng)上海量的數(shù)據(jù)，人們越來越難以獲取自己感興趣的信息，這便是“信息超載”問題。為了解決這個問題，推薦系統(tǒng)應運而生，它能夠根據(jù)用戶偏好提供個性化推薦服務。目前，在眾多的個性化推薦技術(shù)中，協(xié)同過濾推薦技術(shù)依靠其獨有的優(yōu)勢，在電子商務領(lǐng)域得到了廣泛地應用，但是傳統(tǒng)的協(xié)同過濾算法存在冷啟動、數(shù)據(jù)稀疏和可擴展性問題，如何解決這些問題一直是推薦系統(tǒng)領(lǐng)域研究的主要課題。

2、>　　本文針對協(xié)同過濾技術(shù)中的數(shù)據(jù)稀疏問題和用戶興趣遷移問題，主要研究了傳統(tǒng)的協(xié)同過濾推薦算法、基于奇異值分解的協(xié)同過濾算法和基于用戶興趣遷移的協(xié)同過濾算法。
　　首先，本文介紹了個性化推薦系統(tǒng)的發(fā)展背景，詳細闡述了協(xié)同過濾推薦算法的基本原理以及常用的相似性度量方法，并簡單介紹了推薦系統(tǒng)中幾種常用的推薦評價指標。
　　其次，針對用戶評分稀疏的問題，深入研究了基于奇異值分解的協(xié)同過濾算法，著重介紹了算法的實現(xiàn)步驟與存在的問題，

3、然后提出基于奇異值分解和項目屬性的推薦算法，通過利用可知的項目屬性信息提高項目之間相似度計算的可靠性。在MovieLens數(shù)據(jù)集上進行實驗，將改進的推薦算法與傳統(tǒng)的協(xié)同過濾推薦算法、傳統(tǒng)的基于奇異值分解的協(xié)同過濾算法進行對比分析。
　　最后，針對用戶興趣可能會隨時間變化的問題，提出基于用戶興趣遷移的協(xié)同過濾算法，在預測評分階段為每個用戶評分賦予一個時間權(quán)重，使得近期用戶評分具有更大的權(quán)重。在MovieLens數(shù)據(jù)集上進行實驗，將本