基于組合相似度的協(xié)同過濾推薦算法研究.pdf

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的進(jìn)一步發(fā)展，信息的生產(chǎn)渠道越來越多，每時(shí)每刻都有海量的信息產(chǎn)生，“信息過載”問題必將會(huì)越來越嚴(yán)重。面對(duì)互聯(lián)網(wǎng)上龐大的信息，互聯(lián)網(wǎng)用戶很難快速尋找到自己真正需要的信息。
　　為了解決“信息過載”問題，逐漸形成了兩種方案，分別為:信息過濾技術(shù)和信息檢索技術(shù)。作為信息過濾技術(shù)的重要應(yīng)用，推薦系統(tǒng)可以在一定程度上解決“信息過載”問題。如今，推薦算法已經(jīng)成為當(dāng)前學(xué)術(shù)界的研究熱點(diǎn)，技術(shù)人員提出了很多新穎而有效的推薦算法。

2、協(xié)同過濾推薦算法已經(jīng)成為了個(gè)性化推薦系統(tǒng)最普及的技術(shù)，其核心理念是分析用戶過去的行為數(shù)據(jù)，建立用戶偏好模型，計(jì)算目標(biāo)用戶與其他用戶之間的相似度，其中相似度最高的多個(gè)用戶組成最近鄰居集合，這些用戶的興趣與目標(biāo)用戶最相近，然后通過分析這些最近鄰居用戶的行為偏好，預(yù)測(cè)目標(biāo)用戶對(duì)哪些物品感興趣。
　　雖然協(xié)同過濾推薦算法已經(jīng)被成功應(yīng)用到諸多領(lǐng)域中，但是仍然存在著許多迫切需要解決的問題。比如，消費(fèi)者的購買行為可能會(huì)受到好友的影響，然而大部分

3、的協(xié)同過濾推薦算法卻很少考慮用戶之間的影響關(guān)系;用戶對(duì)商品的購買時(shí)間先后次序或者評(píng)分時(shí)間等都有可能會(huì)掩藏著一定的規(guī)律，然而大部分的協(xié)同過濾推薦算法沒有考慮過時(shí)間的因素，也沒有挖掘其中的隱含規(guī)律;傳統(tǒng)的相似度計(jì)算方法有一定的局限性，容易過分夸大或縮小相似度，所以傳統(tǒng)的相似度計(jì)算方法無法很準(zhǔn)確地計(jì)算相似度;在現(xiàn)實(shí)數(shù)據(jù)中，由于用戶評(píng)分?jǐn)?shù)據(jù)的極端稀疏性，計(jì)算用戶間的相似度將更加困難，導(dǎo)致推薦精度較低。
　　針對(duì)上述問題，本文重點(diǎn)研究如何進(jìn)

4、一步提高用戶之間相似度計(jì)算的準(zhǔn)確性，提高推薦算法的推薦精度，實(shí)現(xiàn)高質(zhì)量的個(gè)性化推薦。本論文的主要研究成果總結(jié)如下:
　　(1)由于數(shù)據(jù)的極度稀疏性會(huì)大大降低傳統(tǒng)的協(xié)同過濾推薦算法的推薦效率，提出一種基于云填充的組合相似度的協(xié)同過濾推薦算法，首先通過云模型為用戶-項(xiàng)目評(píng)分矩陣填充數(shù)據(jù)，然后將基于時(shí)間序列的用戶影響力融合到基于Jaccard系數(shù)的相似性度量方法中。其中，融合參數(shù)通過人工取值的方法尋找最優(yōu)解。在MovieLens數(shù)據(jù)集上

5、進(jìn)行驗(yàn)證，這種改進(jìn)的相似度計(jì)算方法確實(shí)在一定程度上降低了數(shù)據(jù)的稀疏程度，進(jìn)而提升了推薦效率。
　　(2)針對(duì)傳統(tǒng)的相似度計(jì)算方法在數(shù)據(jù)高度稀疏的情況下容易過分夸大或縮小相似度的問題，利用用戶的消費(fèi)時(shí)間先后信息來挖掘用戶之間的相互隱含影響關(guān)系;尋找不同用戶共同評(píng)分過的項(xiàng)目集合，計(jì)算用戶對(duì)這些項(xiàng)目的評(píng)分差異，通過一種加權(quán)的信息熵度量不同用戶的評(píng)分相似程度;最后由隨機(jī)粒子群優(yōu)化算法尋找最優(yōu)融合參數(shù)，將時(shí)序行為影響力和基于加權(quán)信息熵的相似