一種融合用戶上下文信息和評分傾向度的協(xié)同過濾推薦系統(tǒng).pdf

1、隨著云計算、大數(shù)據(jù)等技術的不斷進步，“互聯(lián)網(wǎng)+”將進一步融入到人們的日常生活，深刻改變人們的生活方式，人們越來越依賴于互聯(lián)網(wǎng)。在大數(shù)據(jù)時代，人們面臨的信息過載問題日益嚴重，協(xié)同過濾推薦技術是解決信息過載問題的有力手段，而且還可以滿足用戶的個性化信息需求。協(xié)同過濾推薦技術通過對所有的用戶歷史行為數(shù)據(jù)進行分析，獲得用戶的潛在或未來的喜好，然后根據(jù)用戶的喜好，從海量信息中過濾出與用戶偏好相匹配的內容，從而主動為用戶推薦滿足用戶需要或感興趣的內

2、容?；趦却娴膮f(xié)同過濾無需要分析信息資源的內容，且可以發(fā)現(xiàn)用戶潛在的興趣，而且可解釋性強、易實現(xiàn)，因此得到廣泛的研究和應用。
　　但在實際應用中，往往信息是無窮無盡的，但用戶通常只會對少量項目進行關注或評分，最終導致數(shù)據(jù)稀疏性也更加嚴重，嚴重阻礙了協(xié)同過濾技術的發(fā)展和應用。本文在第三章首先提出一種基于用戶上下文信息的相似性度量方法，該方法考慮了用戶上下文信息對用戶相似性的影響，能更準確的反映用戶間的相關性，從而使最近鄰用戶的選取更

3、加準確，提高評分預測的準確度，降低誤差。其次提出了一種基于評分傾向度的相似性度量方法。該算法針對評分數(shù)據(jù)的稀疏性問題，引入評分傾向度的概念，綜合考慮了用戶評分，用戶間共同關注的類別和喜好評價尺度的差異對用戶相似性的影響，使用戶的相似度計算更加符合實際，有效緩解了數(shù)據(jù)稀疏性帶來的困擾。然后針對數(shù)據(jù)稀疏性導致評分預測不準確的問題，本文提出了一種動態(tài)評分預測方法，新的評分預測方法綜合考慮了用戶最近鄰和項目最近鄰在評分預測中的作用，實現(xiàn)了對缺失

4、評分項的動態(tài)填充，使評分預測更精確。最后，結合本文提出的三種改進方法，本文提出了一種融合用戶上下文信息和評分傾向度的協(xié)同過濾推薦算法CPCF。
　　本文使用美國明尼蘇達大學Grouplens研究組提供的MovieLens-1M數(shù)據(jù)集，采用5折交叉驗證的方法，將數(shù)據(jù)集按照80％和20%的比例隨機分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；并使用平均絕對誤差和推薦準確率兩個指標來評價推薦算法的效果；共設計了四組實驗，分別從基于用戶上下文信息的相似度、