個性化推薦協同過濾算法研究.pdf

1、隨著網絡技術與信息服務的快速發(fā)展，社交網絡、電子商務網站等互聯網服務的應用愈加成熟。個性化推薦作為一種關鍵性技術支持因素，在社交性和商務性的互聯網服務中具有重要地位。
　　協同過濾推薦算法以優(yōu)秀數據建模技術及服務智能化的特點，廣泛應用于個性化推薦的研究中，起到了加速個性化推薦發(fā)展的特殊作用。然而，在個性化推薦中極度稀疏的數據條件下，協同過濾存在著相似性度量不準確、推薦精度低的問題和不足。針對這些問題，本文對個性化推薦協同過濾算法進

2、行研究，主要工作如下：
　　1）針對協同過濾中常用相似性度量方法不準確問題，建立基于用戶評分行為的相似性模型（User Rating Behavior based Similarity Model,簡稱為URBSM）。URBSM在用戶行為層面把握用戶評分行為規(guī)律和整體數據環(huán)境變化，從用戶評分行為異同性出發(fā)，將非線性函數S型函數引入度量模型。同時，考慮整體用戶評分重疊以及用戶評分習慣，利用Jaccard相似性系數和均方差相似性MSD

3、對相似性進行雙重加權，達到增強用戶興趣差異的作用和效果。
　　2）針對協同過濾評分預測中近鄰評分數據不足所導致的推薦準確性下降問題，建立灰色評分預測模型（Grey Rating Prediction Model,簡稱為GRPM）。結合數據固有的“貧信息”、“小樣本”特點，利用灰色理論相關知識，將灰色預測與協同過濾技術融合，建立灰色評分預測機制。通過評分序列預處理來緩解近鄰數據稀少所帶來的評分預測數據基礎不足問題，提出利用項目評分均

4、值填充有空缺的初始評分序列?；疑A測中根據相似度大小形成遞增評分序列，提出利用項目所有評分均值來填充有空缺的初始評分序列，以更貼近現實情況，再通過序列累加處理加強相似性大的用戶評分分值對預測評分的影響和作用。
　　3）進行對比實驗，從不同近鄰規(guī)模、不同推薦列表和不同數據稀疏水平三個角度，將URBSM與協同過濾現存相似性度量方法進行對比、GRPM與協同過濾傳統評分預測進行比較，以驗證其有效性。最后，將URBSM與GRPM相結合形成改