一種基于類別偏好協(xié)同過濾推薦算法的實現(xiàn)與優(yōu)化.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展帶來了網(wǎng)絡(luò)信息爆炸式的增長。海量的信息瞬間涌入人們的生活，將人們正常獲取信息的需求淹沒其中。如何從這些多如牛毛的信息當中查找當前用戶真實需要的信息，如何從這些品類繁多的商品中找到用戶當前需要的商品成為當前網(wǎng)絡(luò)用戶亟待解決的問題。個性化推薦系統(tǒng)作為信息過濾最為有效的方法已經(jīng)被應(yīng)用到各個領(lǐng)域。推薦算法作為推薦系統(tǒng)的核心，越來越受到關(guān)注。協(xié)同過濾推薦算法作為目前最為流行的推薦算法，是當前研究熱點之一。但是評分數(shù)據(jù)稀疏性、冷啟動

2、問題、推薦精度低等問題仍然嚴重制約著協(xié)同過濾推薦算法的性能。
　　本文從評分數(shù)據(jù)稀疏性和推薦精度兩個問題入手，做了以下幾方面工作：第一，通過使用Term Frequency-Inverse Document Frequency（TF-IDF）原理把用戶-項目評分矩陣轉(zhuǎn)換成為用戶-類別評分矩陣，極大的降低了數(shù)據(jù)的稀疏性，在此基礎(chǔ)上提出基于類別偏好的協(xié)同過濾推薦算法（GCF）。第二，將 GCF與基于用戶協(xié)同過濾推薦算法（User-CF

3、）通過動態(tài)權(quán)重的方式相結(jié)合，提出基于類別偏好的混合推薦算法（CGCG）。第三，使用變異粒子群算法（PSO）和BP神經(jīng)網(wǎng)絡(luò)對 GCF、User-CF、基于項目的協(xié)同過濾（Item-CF）進行組合調(diào)優(yōu)，針對不同用戶充分發(fā)揮各個算法的優(yōu)勢，有效避免其劣勢，實現(xiàn)單一算法在組合推薦中全局優(yōu)勢與局部優(yōu)勢的平衡。
　　最后，將 CGCF、PSO-CF、BP-CF在 Movielens真實數(shù)據(jù)集上進行實驗及評估。實驗結(jié)果對比顯示，本文提出的CGC