綜合用戶特征的協(xié)同過濾推薦算法的研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展伴隨著互聯(lián)網(wǎng)信息的海量增長，用戶需要根據(jù)自身特點(diǎn)準(zhǔn)確地組織協(xié)調(diào)信息，因此個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生。其中協(xié)同過濾推薦算法是個(gè)性化推薦技術(shù)中最為成熟的算法之一。論文對協(xié)同過濾算法進(jìn)行深入研究，對與傳統(tǒng)的協(xié)同過濾算法提出一些改進(jìn)方案，目的在于探究提高傳統(tǒng)算法的推薦精度以及緩解傳統(tǒng)算法存在的問題的方法。主要研究內(nèi)容如下：
　?。?）在傳統(tǒng)的協(xié)同過濾推薦算法計(jì)算相似度的過程中加入用戶特征因素和時(shí)間場景因素。首先從評分?jǐn)?shù)據(jù)集的時(shí)

2、間戳中提取小時(shí)數(shù)據(jù)，按照每天時(shí)間段劃分?jǐn)?shù)據(jù)集，然后利用劃分后的數(shù)據(jù)集計(jì)算用戶相似度，在計(jì)算相似度時(shí)利用歷史評分?jǐn)?shù)據(jù)的同時(shí)加入用戶特征因素。加入用戶特征因素可以緩解傳統(tǒng)算法的冷啟動(dòng)和數(shù)據(jù)稀疏性問題，加入時(shí)間場景可以滿足用戶個(gè)性化需求。
　?。?）在協(xié)同過濾推薦算法計(jì)算預(yù)測評分的過程中加入用戶信任度因素。傳統(tǒng)的協(xié)同過濾預(yù)測評分的計(jì)算方法是以用戶相似度為權(quán)重的加權(quán)平均，論文在此基礎(chǔ)之上，同時(shí)將用戶信任度也作權(quán)重因素，其中以每個(gè)用戶的評分

3、數(shù)量作為其信任度，數(shù)量越多信任度越高。加入了用戶信任度使預(yù)測評分更加精確。
　　（3）加入用戶特征因素的協(xié)同過濾采用的方法是計(jì)算相似度時(shí)利用歷史評分?jǐn)?shù)據(jù)的同時(shí)加入用戶特征因素，兩者是按照一定權(quán)值結(jié)合，合理的權(quán)值取值才能保證最優(yōu)的推薦結(jié)果，通過對權(quán)值進(jìn)行嘗試實(shí)驗(yàn)來探究最佳權(quán)值的規(guī)律。
　　（4）在Movielens數(shù)據(jù)集上對上述方案分別進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明論文研究的改進(jìn)推薦算法比傳統(tǒng)算法的推薦精度更高，并且對因素和權(quán)值的選取