協(xié)同過濾系統(tǒng)的稀疏性與冷啟動(dòng)問題研究.pdf

1、推薦系統(tǒng)通過預(yù)測(cè)用戶對(duì)項(xiàng)目的喜好程度來為用戶進(jìn)行信息過濾，應(yīng)用知識(shí)發(fā)現(xiàn)技術(shù)來生成個(gè)性化推薦。協(xié)同過濾是一種常用的減少信息過載的技術(shù)，已經(jīng)成為了個(gè)性化推薦系統(tǒng)的一種主要工具，然而現(xiàn)有大多數(shù)協(xié)同過濾算法存在著幾個(gè)主要問題：精確性，數(shù)據(jù)稀疏和冷啟動(dòng)問題。許多結(jié)合協(xié)同過濾與基于內(nèi)容的信息過濾的算法可以解決這些問題，但是這些算法需要預(yù)先得到項(xiàng)目的內(nèi)容信息或者用戶的個(gè)人信息，而這些信息在很多推薦系統(tǒng)中是無法獲得的，因此無法利用基于內(nèi)容的信息過濾技術(shù)

2、。 本文提出了在無法得到項(xiàng)目的內(nèi)容信息和用戶個(gè)人信息的情況下，在數(shù)據(jù)稀疏和冷啟動(dòng)情況下提高預(yù)測(cè)準(zhǔn)確性的幾種方法。在三個(gè)公開的數(shù)據(jù)集上進(jìn)行了試驗(yàn)，試驗(yàn)結(jié)果顯示這些方法比常用的算法效果要好。 我們采用了兩種方法來提高數(shù)據(jù)稀疏時(shí)預(yù)測(cè)的準(zhǔn)確性，即屬于特征遞增型的PearAfterSVD方法和屬于轉(zhuǎn)換型的LCMSTI方法。在特征遞增型方法中，一種方法的輸出用來作為另一種方法的輸入。PearAfterSVD算法首先利用基于奇異值分解

3、的方法來得到預(yù)測(cè)的評(píng)分，然后采用這些預(yù)測(cè)結(jié)果來獲得活動(dòng)用戶的鄰居，最后用基于鄰居的Pearson算法得到最終提供給用戶的預(yù)測(cè)值。在轉(zhuǎn)換型方法中，推薦系統(tǒng)根據(jù)當(dāng)前的情況決定在不同的推薦方法中進(jìn)行轉(zhuǎn)換。LCMSTI算法設(shè)置了一個(gè)閾值來決定如何在基于潛在分類模型的Pearson算法與STIN1算法這兩種協(xié)同過濾方法中進(jìn)行轉(zhuǎn)換。在基于潛在分類模型的Pearson算法中，首先使用潛在分類模型的結(jié)果來進(jìn)行鄰居選擇，然后根據(jù)最近鄰方法來對(duì)活動(dòng)用戶未打

4、分項(xiàng)目的評(píng)分進(jìn)行預(yù)測(cè)。試驗(yàn)結(jié)果表明這兩種方法在數(shù)據(jù)稀疏時(shí)準(zhǔn)確性較高。 冷啟動(dòng)問題包括新項(xiàng)目問題與新用戶問題。我們采用了基于統(tǒng)計(jì)的眾數(shù)法以及信息熵法來解決冷啟動(dòng)問題。在基于統(tǒng)計(jì)的眾數(shù)法中，利用人們的從眾心理，對(duì)新用戶問題，我們用所有用戶在某一項(xiàng)目上的評(píng)分的眾數(shù)作為新用戶在該項(xiàng)目上的評(píng)分預(yù)測(cè)值；對(duì)新項(xiàng)目問題，我們用活動(dòng)用戶在他所有已評(píng)分項(xiàng)目上的評(píng)分的眾數(shù)作為該活動(dòng)用戶在新項(xiàng)目上的評(píng)分預(yù)測(cè)值。在信息熵方法中，我們利用信息熵來選擇一些有