基于項(xiàng)目相似度改進(jìn)的協(xié)同過濾TopN推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)以及云計(jì)算等技術(shù)地快速發(fā)展，我們的生活也發(fā)生了翻天覆地的變化。我們在享受先進(jìn)技術(shù)帶來的便捷的同時(shí)，也承受著它們所帶來的負(fù)面影響，信息過載就是其中之一。針對信息過載問題，早期主要有分類目錄與搜索引擎兩種解決方法，但均有其局限性，分類目錄只能覆蓋少數(shù)項(xiàng)目，相對于海量項(xiàng)目來說遠(yuǎn)遠(yuǎn)不夠;搜索引擎則需要有明確需求，無法滿足用戶的個(gè)性化需求。為了更進(jìn)一步解決信息過載這一難題，研究人員提出了推薦系統(tǒng)概念。
　　推薦系統(tǒng)通過對用

2、戶歷史行為地分析，發(fā)掘出用戶潛藏的興趣喜好，并且能夠?qū)崿F(xiàn)對用戶的個(gè)性化推薦。推薦系統(tǒng)的核心部分就是推薦算法，現(xiàn)今在實(shí)際系統(tǒng)中運(yùn)用最為廣泛的算法就是協(xié)同過濾推薦算法。但是，隨著推薦系統(tǒng)的進(jìn)一步應(yīng)用，傳統(tǒng)的協(xié)同過濾推薦算法存在的諸如冷啟動、數(shù)據(jù)稀疏性、推薦精度低、長尾項(xiàng)目發(fā)掘能力低等問題，使其不再滿足實(shí)際應(yīng)用需求。目前針對推薦系統(tǒng)的研究十分火熱，不過相當(dāng)多的研究工作主要將焦點(diǎn)放在如何提高推薦的準(zhǔn)確度上，雖然取得了一定成果，但是無法兼顧推薦結(jié)

3、果的新穎度，導(dǎo)致推薦新穎度仍處于比較低的水平。
　　本文提出了基于項(xiàng)目相似度改進(jìn)的協(xié)同過濾TopN推薦算法，該算法主要研究目的在于增強(qiáng)長尾項(xiàng)目發(fā)掘能力的同時(shí)，不降低推薦結(jié)果的精度。主要工作包括:
　　1.分析用戶活躍度對推薦結(jié)果的影響，引入用戶活躍度概念，削弱活躍用戶對推薦結(jié)果的影響，提高長尾項(xiàng)目的發(fā)掘能力，提高推薦結(jié)果的覆蓋率。
　　2.分析項(xiàng)目種類對推薦結(jié)果的影響，對相似度矩陣進(jìn)行歸一化處理，削弱同類項(xiàng)目只見相似度