大數(shù)據(jù)環(huán)境下基于用戶行為的個性化推薦算法研究.pdf

1、日新月異的信息技術遍及社會、經(jīng)濟、生活等領域的各個角落，各領域中相關活動的信息被記錄成數(shù)據(jù)保存。科技的進步促進數(shù)據(jù)存儲的成本大幅降低，海量的數(shù)據(jù)被存儲在數(shù)據(jù)庫或云端中，數(shù)據(jù)量正以前所未有的速度增長，并推動我們逐漸步入大數(shù)據(jù)時代。在大數(shù)據(jù)時代背景下，這些龐大的數(shù)據(jù)背后往往隱藏著驚人的價值。但是大數(shù)據(jù)環(huán)境下的數(shù)據(jù)呈現(xiàn)出規(guī)模性、多樣性、實時性、低價值密度等特點，這極大的增加了對數(shù)據(jù)挖掘分析的難度，使數(shù)據(jù)的利用率遠小于其增長率，造成信息過載問題

2、越來越嚴重。
　　目前，個性化推薦系統(tǒng)是解決信息過載問題的有效途徑之一，因此推薦系統(tǒng)中的基礎技術推薦算法也就成為當下熱門研究方向之一。本文以大數(shù)據(jù)為背景環(huán)境，針對推薦算法中目前存在的關鍵問題做出改進，以期能提高推薦算法的預測準確性、改善推薦算法的多樣性和新穎性。本文從以下幾個角度開展理論研究和實踐檢驗:
　　(1)針對基于受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)的協(xié)同過濾算法在預測階

3、段容易同化用戶個性化需求影響推薦準確性的問題，提出了一種基于最近鄰的受限玻爾茲曼機協(xié)同過濾推薦算法。近鄰用戶之間的興趣會存在較高的相似性，相同興趣的用戶對同一個項目的評分也更接近。根據(jù)這一直觀感受，計算項目（用戶未評分而最近鄰中有評分）的評分等級概率，將該概率融入RBM模型預測階段強化預測結果中用戶的個性化，提高算法預測的準確性。實驗結果證明，加入最近鄰的改進算法不僅使提高了算法的預測準確性，而且還增強了算法的抗過擬合能力。(2)針對基

4、于受限玻爾茲曼機的協(xié)同過濾算法預測對“熱門項目”有標新立異看法的用戶的評分準確性差、預測“冷門項目”辨別力差的問題，提出一種基于項目標簽的受限玻爾茲曼機的協(xié)同過濾算法。利用項目自身存在的客觀標簽（如電影的主題、商品的類別等）描述用戶自身興趣偏好，此過程只利用到用戶自身已評分過的項目信息，強化了用戶的個性化需求。且對“冷門項目”的預測依據(jù)更加客觀真實、預測結果準確性也更高。最后實驗結果證明，加入項目客觀標簽后算法的預測準確性提高達1.2％