自適應用戶的Item-based協(xié)同過濾算法研究.pdf

1、互聯(lián)網(wǎng)技術的快速發(fā)展所產(chǎn)生的海量信息易造成信息過載問題,導致人們無法從這些海量信息中快速找到所需的信息。解決信息過載問題以幫助人們快速獲得所需信息已引起研究者的廣泛關注,各種推薦系統(tǒng)應運而生。推薦系統(tǒng)是一種為用戶提供個性化信息服務的系統(tǒng),其核心是推薦算法,而協(xié)同過濾算法作為目前應用最成功的推薦算法之一,成為推薦系統(tǒng)領域的一個重要研究方向。雖然在協(xié)同過濾算法的基礎上衍生出了許多改進算法,但仍存在推薦質(zhì)量不高的問題。
　　本文在協(xié)同過

2、濾算法及其改進算法的基礎上,對Item-based協(xié)同過濾算法的項目相似性度量方法及評分預測方法進行修正,以更準確地預測用戶對未知項目的評分,從而提高推薦質(zhì)量。
　　論文的主要工作包括:
　　①對推薦系統(tǒng)的發(fā)展歷程、組成結(jié)構(gòu)、評價指標以及相關技術進行了介紹,重點對協(xié)同過濾推薦技術的原理、分類及存在的問題進行了分析與總結(jié)。
　?、趥鹘y(tǒng) Item-based協(xié)同過濾算法在預測目標用戶對未知項目的評分時,忽略了目標用戶的評分

3、習慣對推薦效果的影響,導致評分預測準確性差。本文將目標用戶的評分習慣引入到評分預測階段,提出了一種改進的評分預測方法。
　?、厶岢隽俗赃m應用戶的Item-based協(xié)同過濾算法。由于傳統(tǒng)Item-based協(xié)同過濾算法計算項目間相似性時,將每個共同評分用戶(對兩個項目都評過分的用戶)對項目的評分視為同等重要,忽略了共同評分用戶與目標用戶的相似性對項目間相似性的影響,導致與目標項目相似性很高的項目在目標用戶看來并不相似。本文所提算法