基于神經(jīng)網(wǎng)絡集成和用戶偏好模型的協(xié)同過濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術的發(fā)展和電子商務的蓬勃生長，網(wǎng)絡數(shù)據(jù)信息以指數(shù)級別的趨勢增長，用戶不得不耗費大量的時間去搜索自己想要的信息和商品，人們進入了一個“信息超載”的時代。推薦系統(tǒng)應運而生，它的主要任務是主動從海量的資源中為用戶推送其可能需要的資源，緩解信息檢索的壓力。在目前的應用中，協(xié)同過濾算法取得的成就無疑是最大的，但是在發(fā)展中同樣不可避免的遇到很多障礙，數(shù)據(jù)稀疏問題就是阻礙其發(fā)展的一個重要難題。
　　針對數(shù)據(jù)稀疏性問題，本文從用戶興趣

2、的角度出發(fā)，利用當前的用戶數(shù)據(jù)，構建用戶偏好模型預測未評分項目的分值，填充數(shù)據(jù)到用戶評分矩陣中。然而，用戶偏好存在描述上的模糊性和不確定性，給用戶偏好建模帶來了一定的困難，需要引入機器學習方法來構建用戶偏好模型。神經(jīng)網(wǎng)絡集成算法具有很好的泛化能力，是目前機器學習領域的一個研究熱點，可以用來模擬用戶的偏好。但是面對用戶偏好的復雜性，神經(jīng)網(wǎng)絡集成算法也會存在這樣或那樣的不足。針對這樣的情況，本文首先對傳統(tǒng)的神經(jīng)網(wǎng)絡集成算法提出自己的改進思想

3、，提出了基于差分進化的負相關神經(jīng)網(wǎng)絡集成算法，提高了神經(jīng)網(wǎng)絡集成算法的泛化能力;其次，利用改進的算法，結合現(xiàn)有的用戶數(shù)據(jù)，構建用戶偏好模型;最后利用構建好的偏好模型預測未評分項目的分值，填充用戶評分矩陣，并針對可能產(chǎn)生的填充過度問題，對相似度的計算也做了一個改進。
　　基于差分進化的負相關神經(jīng)網(wǎng)絡集成算法的基本思想是:在集成個體的生成中，為了增加集成個體的差異性，引入負相關學習方法并行訓練成員網(wǎng)絡;在結論的生成中，利用差分進化算法

4、的良好的尋優(yōu)能力，對成員網(wǎng)絡的權重系數(shù)進行優(yōu)化。通過實驗仿真，并將它與其他算法進行對比，結果表明該算法無論是在泛化性能方面還是在魯棒性方面都表現(xiàn)得更好。
　　基于差分進化神經(jīng)網(wǎng)絡集成的用戶偏好模型的基本思想是:充分利用項目特征屬性，構建項目特征向量，通過項目特征向量和用戶偏好的映射，構建用戶偏好模型，并采用提出的差分進化負相關神經(jīng)網(wǎng)絡集成算法模擬用戶的興趣愛好。通過實驗證明，提出的差分進化負相關神經(jīng)網(wǎng)絡集成算法能夠很好的模擬用戶的