融合項(xiàng)目屬性相似度和評(píng)分相似度的協(xié)同過(guò)濾推薦算法.pdf

1、互聯(lián)網(wǎng)技術(shù)的日益成熟以及互聯(lián)網(wǎng)用戶的高速增長(zhǎng)，使得越來(lái)越多的行業(yè)和企業(yè)加入到互聯(lián)網(wǎng)中來(lái)，導(dǎo)致互聯(lián)網(wǎng)信息的急劇增長(zhǎng)。面對(duì)越來(lái)越多，越來(lái)越復(fù)雜的信息，用戶無(wú)法及時(shí)的準(zhǔn)確的從海量的信息中選取滿足自身需求的信息，這就是“信息過(guò)載”問(wèn)題。為了解決該問(wèn)題，各種個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生，其中應(yīng)用的最成功和成熟的技術(shù)是協(xié)同過(guò)濾，但是日趨增長(zhǎng)的用戶數(shù)量和項(xiàng)目數(shù)量，以及信息的有效性和及時(shí)性都對(duì)協(xié)同過(guò)濾推薦算法提出了更嚴(yán)峻的考驗(yàn)。本文重點(diǎn)研究協(xié)同過(guò)濾推薦算法，

2、在傳統(tǒng)協(xié)同過(guò)濾推薦算法的基礎(chǔ)上，進(jìn)行了改進(jìn)，針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法中數(shù)據(jù)稀疏和低流行度項(xiàng)目被推薦率低等問(wèn)題，提出了一種融合項(xiàng)目屬性相似度和評(píng)分相似度的協(xié)同過(guò)濾推薦算法。本文的主要研究?jī)?nèi)容如下：
　　首先，針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法中用戶項(xiàng)目評(píng)分矩陣的數(shù)據(jù)稀疏問(wèn)題，考慮到項(xiàng)目屬性對(duì)項(xiàng)目相似度計(jì)算的影響，提出一種融合信息熵的加權(quán)Jaccard系數(shù)的屬性相似度計(jì)算方法，能夠有效的緩解數(shù)據(jù)稀疏問(wèn)題，提高相似度計(jì)算的準(zhǔn)確性。
　　其次

3、，針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法中的相似度計(jì)算準(zhǔn)確性差，低流行度項(xiàng)目被推薦率低等問(wèn)題，考慮用戶活躍度和項(xiàng)目流行度對(duì)項(xiàng)目相似度計(jì)算的影響，引入相關(guān)性懲罰因子，提出一種融合用戶活躍度和項(xiàng)目流行度的評(píng)分相似度計(jì)算方法，在保證推薦精度的情況下，提高了低流行度項(xiàng)目的被推薦率。
　　再次，結(jié)合兩種改進(jìn)的相似度計(jì)算方法，提出一種融合項(xiàng)目屬性相似度和評(píng)分相似度的協(xié)同過(guò)濾推薦算法，通過(guò)將計(jì)算得到的屬性相似度矩陣和評(píng)分相似度矩陣線性組合，得到項(xiàng)目的綜合相似