綜合用戶特征的協(xié)同過濾推薦算法的研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展伴隨著互聯(lián)網(wǎng)信息的海量增長，用戶需要根據(jù)自身特點準確地組織協(xié)調(diào)信息，因此個性化推薦技術應運而生。其中協(xié)同過濾推薦算法是個性化推薦技術中最為成熟的算法之一。論文對協(xié)同過濾算法進行深入研究，對與傳統(tǒng)的協(xié)同過濾算法提出一些改進方案，目的在于探究提高傳統(tǒng)算法的推薦精度以及緩解傳統(tǒng)算法存在的問題的方法。主要研究內(nèi)容如下：
　?。?）在傳統(tǒng)的協(xié)同過濾推薦算法計算相似度的過程中加入用戶特征因素和時間場景因素。首先從評分數(shù)據(jù)集的時

2、間戳中提取小時數(shù)據(jù)，按照每天時間段劃分數(shù)據(jù)集，然后利用劃分后的數(shù)據(jù)集計算用戶相似度，在計算相似度時利用歷史評分數(shù)據(jù)的同時加入用戶特征因素。加入用戶特征因素可以緩解傳統(tǒng)算法的冷啟動和數(shù)據(jù)稀疏性問題，加入時間場景可以滿足用戶個性化需求。
　　（2）在協(xié)同過濾推薦算法計算預測評分的過程中加入用戶信任度因素。傳統(tǒng)的協(xié)同過濾預測評分的計算方法是以用戶相似度為權重的加權平均，論文在此基礎之上，同時將用戶信任度也作權重因素，其中以每個用戶的評分

3、數(shù)量作為其信任度，數(shù)量越多信任度越高。加入了用戶信任度使預測評分更加精確。
　　（3）加入用戶特征因素的協(xié)同過濾采用的方法是計算相似度時利用歷史評分數(shù)據(jù)的同時加入用戶特征因素，兩者是按照一定權值結(jié)合，合理的權值取值才能保證最優(yōu)的推薦結(jié)果，通過對權值進行嘗試實驗來探究最佳權值的規(guī)律。
　　（4）在Movielens數(shù)據(jù)集上對上述方案分別進行實驗，實驗結(jié)果表明論文研究的改進推薦算法比傳統(tǒng)算法的推薦精度更高，并且對因素和權值的選取