基于預(yù)測(cè)評(píng)分的優(yōu)化相似度的協(xié)同過濾推薦算法研究.pdf

1、個(gè)性化推薦服務(wù)可以根據(jù)用戶的興趣為用戶提供個(gè)性化的推薦項(xiàng)目和商品。協(xié)同過濾推薦技術(shù)是其中應(yīng)用最廣泛和常用的技術(shù)。隨著協(xié)同過濾技術(shù)的不斷發(fā)展，協(xié)同過濾的作為推薦技術(shù)最重要的評(píng)價(jià)標(biāo)準(zhǔn)的推薦精度和準(zhǔn)確度的提升成為研究的熱點(diǎn)。
　　論文針對(duì)傳統(tǒng)的基于預(yù)測(cè)評(píng)分的協(xié)同過濾算法存在的推薦準(zhǔn)確性問題進(jìn)行分析，通過分析針對(duì)基于預(yù)測(cè)評(píng)分的協(xié)同過濾中的計(jì)算項(xiàng)目相似度這一關(guān)鍵步驟上的隱反饋?zhàn)饔?、用戶活躍度影響、評(píng)分的主觀性和相對(duì)性的有機(jī)統(tǒng)一等缺陷提出了三

2、點(diǎn)優(yōu)化措施，同時(shí)給出了每一點(diǎn)優(yōu)化的理論依據(jù)和分析，這三種改進(jìn)方式分別為:
　　1)針對(duì)評(píng)分的主觀性和相對(duì)性問題，論文提出了基于項(xiàng)目評(píng)分的相似度線性混合:使用Pearson相似度和修正的余弦相似度線性混合計(jì)算相似度。該方法將評(píng)分的相對(duì)性和主觀性有機(jī)的結(jié)合在一個(gè)相似度之中，并能根據(jù)不同場景自適應(yīng)的變化。
　　2)針對(duì)隱反饋的作用問題，論文提出了使用隱反饋修正評(píng)分相似度:使用隱反饋的TopN推薦算法中的相似度修正基于評(píng)分的相似度計(jì)

3、算。該優(yōu)化方法使用隱反饋相似度修正基于預(yù)測(cè)評(píng)分的相似度計(jì)算，彌補(bǔ)隱反饋的缺陷。
　　3)針對(duì)用戶活躍度的影響方面，論文通過加入用戶活躍度修正因子的隱反饋修正相似度:通過在已經(jīng)得到的隱反饋修正的相似度中加入本文引申出的用戶活躍度修正因子。該優(yōu)化方法成功減少了活躍用戶的影響，提高了推薦精度。
　　上述三個(gè)改進(jìn)措施可以一起優(yōu)化相似度計(jì)算，得到一個(gè)整體的相似度計(jì)算方法，從而得出一個(gè)完整的優(yōu)化相似度的協(xié)同過濾算法。
　　論文采用