基于數(shù)據(jù)稀疏性的協(xié)同過濾推薦算法研究.pdf

1、分類號(hào)TP311密級(jí)公開重慶郵電大學(xué)碩士學(xué)位論文英文題目ResearchonCollaborativeFilteringRecommendationAlgorithmsBasedonDataSparsity碩士研究生指導(dǎo)教師學(xué)科專業(yè)論文提交日論文評(píng)閱人鄧曉亮答辯委員會(huì)主席邱玉輝教授2013年5月25日重慶郵電大學(xué)碩士論文摘要摘要電子商務(wù)規(guī)模的不斷擴(kuò)大以及個(gè)性化推薦系統(tǒng)在電子商務(wù)中的廣泛應(yīng)用，使得推薦系統(tǒng)成為一個(gè)非?；钴S的研究領(lǐng)域。其中，

2、協(xié)同過濾推薦是運(yùn)用最成功的推薦技術(shù)之一。它依據(jù)目標(biāo)用戶的鄰居用戶對(duì)該用戶進(jìn)行推薦，但是，用戶評(píng)分?jǐn)?shù)據(jù)的極端稀疏性降低了用戶之間相似度的計(jì)算精度，進(jìn)而影響了用戶最近鄰居集的形成，這嚴(yán)重影響了系統(tǒng)的推薦質(zhì)量。為了緩解數(shù)據(jù)稀疏性問題對(duì)系統(tǒng)推薦質(zhì)量的影響，本文主要做了以下工作：(1)為了解決傳統(tǒng)方法在用戶項(xiàng)目評(píng)分矩陣上不能準(zhǔn)確計(jì)算用戶之間相似度的問題，本文對(duì)相似度計(jì)算方法進(jìn)行了改進(jìn)，提出了基于用戶興趣特征和項(xiàng)目類別的協(xié)同過濾推薦算法。其中，用戶

3、對(duì)某一項(xiàng)目類別的興趣是通過用戶對(duì)屬于該項(xiàng)目類別項(xiàng)目的評(píng)價(jià)次數(shù)來衡量的。算法首先在用戶項(xiàng)目類別評(píng)分矩陣上計(jì)算用戶之間的評(píng)分相似度；然后在用戶項(xiàng)目興趣矩陣上計(jì)算用戶之間的興趣相似度，而且在計(jì)算用戶興趣相似度時(shí)考慮到了用戶的年齡因素；最后將評(píng)分相似度和興趣相似度進(jìn)行加權(quán)融合作為用戶間的最終相似度對(duì)用戶進(jìn)行推薦。(2)用戶之間的相似度不僅與他們的直接評(píng)分信息有關(guān)，還與他們的間接評(píng)分信息有關(guān)。為了解決傳統(tǒng)方法在計(jì)算用戶相似度時(shí)只考慮了用戶的直接評(píng)

4、分信息而忽略了用戶的間接評(píng)分信息的問題。本文又提出了基于間接相似度和項(xiàng)目類別的協(xié)同過濾推薦算法。算法首先基于直接評(píng)分信息計(jì)算用戶之間的直接相似度；然后基于間接評(píng)分信息計(jì)算用戶之間的間接相似度；最后將直接相似度和間接相似度進(jìn)行加權(quán)融合作為用戶間的最終相似度對(duì)用戶進(jìn)行推薦。(3)在Movielens數(shù)據(jù)集上將本文提出的兩種協(xié)同過濾推薦算法與傳統(tǒng)的協(xié)同過濾推薦算法進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證本文提出的算法的有效性。關(guān)鍵詞：協(xié)同過濾，數(shù)據(jù)稀疏性，項(xiàng)目類別