基于柯西分布量子粒子群的混合推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)業(yè)務(wù)的迅速發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，巨大的信息量在給用戶帶來方便快捷的體驗(yàn)同時(shí)也使信息的利用率降低，用戶常常會(huì)因此而迷失其中，致使出現(xiàn)了信息膨脹也稱作信息過載的問題。推薦系統(tǒng)的出現(xiàn)有效地緩解了這一矛盾。但是，數(shù)據(jù)的稀疏性、冷啟動(dòng)以及忽略用戶興趣遷移等問題的存在卻阻礙著推薦系統(tǒng)進(jìn)一步的發(fā)展。本課題的目的就是解決這些問題。
　　本文提出了一種基于柯西分布量子粒子群的混合推薦算法。該算法首先構(gòu)建了基于時(shí)間因子的混合推薦模型，然后

2、，在該模型的基礎(chǔ)之上，利用柯西分布量子粒子群算法搜索模型中的最優(yōu)參數(shù)組合。基于時(shí)間因子的混合推薦模型是通過把用戶和項(xiàng)目的特征屬性信息添加到傳統(tǒng)的協(xié)同過濾推薦算法中構(gòu)建而成的。這樣做有兩點(diǎn)優(yōu)勢(shì)：
　　(1)在計(jì)算用戶或項(xiàng)目的相似度時(shí)，如果用戶評(píng)分矩陣過于稀疏，影響相似度的計(jì)算，那么就可以利用內(nèi)容信息進(jìn)行計(jì)算，可以有效克服數(shù)據(jù)稀疏性的影響；
　　(2)在新用戶或者新項(xiàng)目加入進(jìn)來的時(shí)候，可以利用用戶和項(xiàng)目的內(nèi)容信息進(jìn)行相似度的計(jì)算

3、以及推薦等工作，能夠有效抑制冷啟動(dòng)的影響。除此之外，在模型建立過程中還做了兩方面的改進(jìn)，一方面是改進(jìn)了相似度的計(jì)算方法，另一方面是引入了能夠代表用戶興趣遷移特性的時(shí)間因子。進(jìn)一步地，用戶的特征屬性信息通常包括性別、年齡、職業(yè)、居住地等很多方面，以往的推薦算法中并沒有考慮這些特征對(duì)實(shí)際應(yīng)用的推薦問題是否真的有影響。實(shí)際上，考慮所有的特征所得到的推薦結(jié)果不一定是最準(zhǔn)確的，還可能增加不必要的計(jì)算量。于是，本文對(duì)基于時(shí)間因子的混合推薦模型進(jìn)行優(yōu)

4、化，利用改進(jìn)的離散粒子群算法搜索最優(yōu)的用戶屬性特征組合。最后，優(yōu)化后的混合推薦模型共涉及5個(gè)參數(shù)，分別為：用戶評(píng)分和內(nèi)容權(quán)值、項(xiàng)目評(píng)分和內(nèi)容權(quán)值、基于用戶推薦和基于項(xiàng)目推薦權(quán)值、用戶最近鄰居閾值和項(xiàng)目最近鄰居閾值。如果人為進(jìn)行選擇，工作量極大。因此，本文采用柯西分布量子粒子群算法來搜索模型中的最優(yōu)參數(shù)組合，以提高推薦效果。
　　本文提出的算法與傳統(tǒng)的協(xié)同過濾推薦算法以及利用粒子群和人工蜂群進(jìn)行參數(shù)搜索的算法進(jìn)行比較分析。實(shí)驗(yàn)結(jié)果表