基于組推薦的冷啟動與混合算法研究.pdf

1、組推薦算法彌補了傳統(tǒng)推薦算法無法給多個人進行推薦的缺點，已經(jīng)引起了越來越多的研究者的關(guān)注。目前的組推薦算法主要分為兩種，一種是使用組偏好模型進行推薦，另一種是融合組員推薦列表。此外，傳統(tǒng)推薦算法的冷啟動問題在組推薦中同樣存在。組推薦算法發(fā)展迅速，但是目前的組推薦算法存在這諸多問題。
　　本文首先針對冷啟動問題提出了一種基于數(shù)據(jù)遷移的解決方案。該方案不僅可以解決傳統(tǒng)推薦的冷啟動問題，也同樣適合于組推薦。此外，還提出了一種融合算法來專

2、門提高組推薦的準確度。本文的主要工作如下:
　　1)總結(jié)了傳統(tǒng)推薦的一些典型算法，重點介紹了協(xié)同過濾算法，同時也分析了基于用戶和基于項目協(xié)同過濾算法的優(yōu)點和缺點。此外，介紹了基于矩陣分解的協(xié)同過濾算法、基于關(guān)聯(lián)規(guī)則挖掘的推薦算法、基于概率分析的推薦算法和Slope One算法。這些算法在推薦的時候均沒有考慮內(nèi)容本身的因素，所以進一步說明了基于內(nèi)容的推薦算法。
　　2)冷啟動問題是推薦系統(tǒng)中無法避免的一個問題，不管是在傳統(tǒng)推薦

3、系統(tǒng)還是在組推薦系統(tǒng)中。本文基于數(shù)據(jù)遷移，提出了一種解決冷啟動的方案。該方案可以將其他系統(tǒng)已有的知識遷移到新的推薦系統(tǒng)中，從而解決了推薦系統(tǒng)缺乏數(shù)據(jù)進而難以進行推薦的問題。
　　3)當(dāng)前效果不錯并且比較常用的組推薦算法是Average Aggregation算法和Borda算法。Average Aggregation算法僅僅考慮了項目評分因素而忽略了項目排名因素，而Borda算法只考慮了項目排名因素而忽略了項目評分因素。本文基于兩