結(jié)合項(xiàng)目分類和云模型的協(xié)同過濾算法研究.pdf

1、隨著電子商務(wù)個(gè)性化推薦服務(wù)的發(fā)展進(jìn)步，網(wǎng)購模式逐漸從以用戶海量檢索為主的單一購物方式轉(zhuǎn)變?yōu)橐韵到y(tǒng)個(gè)性化推薦為代表的多元化個(gè)性化購物方式。作為個(gè)性化推薦服務(wù)核心內(nèi)容的協(xié)同過濾技術(shù)正成為當(dāng)前的研究重點(diǎn)。但在實(shí)際應(yīng)用中，協(xié)同過濾技術(shù)普遍存在因數(shù)據(jù)稀疏性和冷啟動(dòng)引起的低推薦質(zhì)量問題，以及因數(shù)據(jù)更新重復(fù)計(jì)算相似度引起的可擴(kuò)展性差問題。上述兩個(gè)問題的存在從根本上制約了推薦系統(tǒng)整體質(zhì)量的提高。
　　 針對(duì)目前協(xié)同過濾技術(shù)中存在的上述兩方面問題

2、，本文提出了一種基于項(xiàng)目分類的協(xié)同過濾改進(jìn)算法；并在此改進(jìn)算法基礎(chǔ)上，引入云模型技術(shù)，有效地克服了傳統(tǒng)基于云模型協(xié)同過濾算法的誤推薦問題。本文主要有以下三方面研究?jī)?nèi)容：
　　 第一，針對(duì)用戶評(píng)分?jǐn)?shù)據(jù)稀疏性和用戶最近鄰尋找的不準(zhǔn)確性問題，提出了一種基于項(xiàng)目分類的協(xié)同過濾改進(jìn)算法。算法預(yù)處理數(shù)據(jù)集后，首先利用項(xiàng)目分類信息為類內(nèi)未評(píng)分項(xiàng)目預(yù)測(cè)評(píng)分值，然后通過計(jì)算類內(nèi)用戶間的相似度準(zhǔn)確地獲取目標(biāo)用戶興趣最近鄰，最后進(jìn)行推薦。
　　

3、 第二，對(duì)定性定量知識(shí)轉(zhuǎn)換的新興技術(shù)--云模型的研究學(xué)習(xí)表明，利用云模型特征向量取代傳統(tǒng)用戶評(píng)分向量計(jì)算相似度，可以獲得更為準(zhǔn)確的最近鄰，從而解決了傳統(tǒng)計(jì)算方法中因嚴(yán)格匹配對(duì)象屬性而產(chǎn)生的誤推薦問題。但其缺點(diǎn)是僅給出針對(duì)用戶所有興趣的相同推薦集，而不提供用戶特定興趣的分類推薦集。
　　 第三，為了解決上述云模型算法的固有缺陷，進(jìn)一步提高推薦質(zhì)量，結(jié)合項(xiàng)目分類和云模型提出了一種改進(jìn)的協(xié)同過濾推薦算法。算法首先按項(xiàng)目分類得到類別矩

4、陣，接著利用云模型計(jì)算類內(nèi)項(xiàng)目間的相似度并獲取具有最高相似度的鄰居項(xiàng)目的評(píng)分，為類內(nèi)未評(píng)分項(xiàng)目進(jìn)行預(yù)測(cè)填充。然后，再利用云模型計(jì)算類內(nèi)用戶間的相似度得到用戶鄰居，最后給出最終的預(yù)測(cè)評(píng)分并產(chǎn)生推薦。
　　 最后，本文使用Matlab軟件，借助MovieLens站點(diǎn)提供的數(shù)據(jù)集分別對(duì)上述兩種算法進(jìn)行了模擬實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：基于項(xiàng)目分類的算法能夠針對(duì)用戶不同的興趣產(chǎn)生分類推薦集，并通過僅更新新增項(xiàng)目所屬類，有效地提高了算法的執(zhí)行效率