改進的多準則評分協同過濾推薦算法.pdf

1、互聯網技術迅速融入各行各業(yè)中，信息資源也得以快速增長，數據從稀缺時代轉變到現在的數據爆炸時代。信息量的激增對商家和用戶都在一定程度上帶來嚴峻的考驗，而個性化推薦系統服務是解決這一現狀的有效方法。目前，協同過濾算法是應用最為廣泛的推薦算法之一，但是目前的協同過濾算法都存在數據稀疏性問題和可擴展性問題。本文的目的在于利用降維技術和模糊神經技術解決可擴展性問題和緩解評分數據的稀疏性，從而提高多準則評分協同過濾推薦系統的推薦質量和預測精度。

2、r>　　通常，大多數的傳統推薦系統使用單準則評分來表示一個用戶對特定物品的整體喜歡程度，而會忽略用戶對物品不同側面的喜歡程度，未能關注到用戶潛在的各種興趣愛好。而在基于多準則評分的協同過濾推薦算法中，對物品的多個方面進行評分，系統就可以獲得更多用戶的興趣愛好，但同時也增加了數據的主觀性、不確定性和模糊性，從而提高了整個評分矩陣的數據稀疏性，降低推薦系統的可擴展性。因此，本文根據以上多準則評分協同過濾存在的相關問題，采用一種使用高階奇異值

3、分解（High Order Singular Value Decomposition, HOSVD）和自適應模糊神經推理系統(Adaptive Fuzzy Neural Inference System, ANFIS)來解決多維數據帶來的推薦系統可擴展性問題和緩解評分矩陣的稀疏性問題。首先，使用高階奇異值分解（HOSVD）方法把高維數據轉換為多個低維數據；然后，在較低維的數據上分別對用戶間和物品間進行聚類，獲得類標簽；最后，使用基于減法

4、聚類的自適應模糊神經推理系統（ANFIS）從實驗數據中抽取模糊規(guī)則以表示和推理用戶在物品各個方面上的行為特征。高階奇異值分解（HOSVD）和自適應模糊神經推理系統(ANFIS)合理的有機融合，充分利用了高階奇異值分解（HOSVD）高效處理高維度數據的功能，也避免了模糊推理系統的設計要依賴于人類專家經驗。通過利用上述兩種技術和多準則評分協同過濾算法結合，可以顯著地提高算法的準確率，也一定程度上緩解了協同過濾推薦系統的稀疏性問題和擴展性問題