基于相似性的優(yōu)化推薦算法研究與設(shè)計(jì).pdf

1、在互聯(lián)網(wǎng)時(shí)代，個(gè)性化推薦系統(tǒng)得到廣泛應(yīng)用。在推薦系統(tǒng)中，推薦算法起著決定性的作用，而協(xié)同過(guò)濾算法為最為常用的一種推薦算法，采用基于用戶的協(xié)同過(guò)濾對(duì)稀疏評(píng)分矩陣進(jìn)行預(yù)填充，然后使用基于項(xiàng)目的協(xié)同過(guò)濾，對(duì)未知評(píng)分進(jìn)行預(yù)測(cè)，可以在一定程度上提高預(yù)測(cè)精度。但該算法存在兩個(gè)問(wèn)題：在預(yù)填充階段，由于用戶相似性計(jì)算過(guò)程受到評(píng)分?jǐn)?shù)據(jù)稀疏的影響，導(dǎo)致得到的用戶最近鄰集不夠準(zhǔn)確，那么利用用戶最近鄰集填充得到的稠密數(shù)據(jù)精度較低；在預(yù)測(cè)階段，由于度量項(xiàng)目相似性

2、方式不合理，導(dǎo)致得到的項(xiàng)目最近鄰集不夠準(zhǔn)確，最終導(dǎo)致算法精度下降。
　　為了進(jìn)一步提高該推薦算法的預(yù)測(cè)精度，針對(duì)該算法存在的兩個(gè)問(wèn)題做出優(yōu)化：在預(yù)填充階段，提出了相似性矩陣最優(yōu)化模型，得到表征用戶相似性的矩陣，從而得到更準(zhǔn)確的用戶最近鄰集，該過(guò)程受數(shù)據(jù)稀疏性影響較小，然后根據(jù)所得的用戶最近鄰集對(duì)原始評(píng)分矩陣預(yù)填充，得到精度較高的稠密評(píng)分矩陣；在預(yù)測(cè)階段，將共評(píng)用戶與目標(biāo)用戶之間的相似性考慮在內(nèi)，優(yōu)化了項(xiàng)目間相似性的度量方式，得到了