融合相似度和機器學習的加權SlopeOne算法研究.pdf

1、協(xié)同過濾推薦算法因其預測準確度高、不受項目類型限制等優(yōu)點受到大眾的喜愛。本論文就其中比較經(jīng)典的Slope One算法進行深入研究，它是一種基于內存的協(xié)同過濾推薦算法，由于計算簡單高效等優(yōu)點受到廣泛關注。但是，卻沒有考慮到用戶及項目相似度的問題，且計算過程中內存消耗過大、預測結果相較于傳統(tǒng)協(xié)同過濾算法的優(yōu)勢并不明顯。就這些問題，本文提出了以下幾點改進措施：
　　首先，簡單介紹了協(xié)同過濾的相關知識，包括研究背景和現(xiàn)狀等內容。緊接著，著

2、重介紹了本文研究的基礎，即Slope One算法的相關知識，包括其優(yōu)缺點和改進措施。
　　其次，由于原始Slope One算法在計算時，未考慮到相似度的問題，故本文在原算法基礎上，提出了融合用戶和項目相似度的加權Slope One算法。其間，分別使用信任機制以及Jaccard系數(shù)加權方法來選擇鄰居用戶，計算用戶間的相似度，然后，使用Pearson相關系數(shù)計算方法計算項目間的相似度，最后，將二者結合，又提出了兩種混合推薦算法。

3、>　　然后，考慮到基于內存的方法簡單直觀易于理解，但是基于模型的方法普遍比基于內存的方法可以得到更準確的預測結果，且運行速度更快，故本文考慮將基于模型和基于內存的推薦方法兩者的優(yōu)點相結合對Slope One算法進行改進，提出了融合機器學習的加權Slope One算法，并且使用了機器學習中的最小二乘法對Slope One算法進行改進。
　　最后，通過實驗驗證前面提出的幾個算法，將這些算法均在兩個不同的數(shù)據(jù)集上進行對比實驗和結果分析。