基于時間加權(quán)的混合推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，發(fā)布在互聯(lián)網(wǎng)上的商務(wù)信息呈爆炸性增長。但據(jù)統(tǒng)計，相對于99％的用戶而言，99％的Web信息是無用的，大量的無關(guān)信息會干擾甚至淹沒用戶真正需要的內(nèi)容。因此，推薦系統(tǒng)應(yīng)運而生，它利用網(wǎng)站向用戶提供商品信息和建議，幫助網(wǎng)站有效地留住用戶，防止用戶流失。
　　但是隨著推薦系統(tǒng)規(guī)模的進一步擴大，推薦系統(tǒng)也面臨一系列挑戰(zhàn)。包括實時性和可擴展性、稀疏性和“冷啟動”等方面的問題。這些問題影響了推薦系統(tǒng)的效率和推薦質(zhì)量。因此，

2、對推薦系統(tǒng)所面臨的問題的研究具有十分重要的意義。本文對推薦系統(tǒng)的數(shù)據(jù)稀疏性問題、推薦精度問題和推薦質(zhì)量問題進行了深入的研究。
　　本文首先詳細地分析了協(xié)同過濾算法中的數(shù)據(jù)稀疏性問題，研究了現(xiàn)有的解決方法，針對傳統(tǒng)的相似度度量方法會導(dǎo)致預(yù)測誤差的問題，提出了一種新的基于SimHash相似度計算方法。算法通過提取項目的特征向量，利用SimHash算法的高效降維，快速計算項目的近鄰。然后根據(jù)用戶對項目近鄰的評分結(jié)合項目的平均評分得到最后

3、評分填充用戶-項目評分矩陣中的空白項。實驗證明該方法有效的解決了評分矩陣的稀疏性問題，提高了推薦算法的推薦質(zhì)量同時還大大減少了算法的時間復(fù)雜度，提高了推薦算法的實時響應(yīng)速度。
　　深入研究了傳統(tǒng)的推薦算法，指出了傳統(tǒng)的推薦算法忽略了用戶的興趣會隨時間而變化這一特點，根據(jù)傳統(tǒng)推薦算法的不足之處提出了一種基于時間加權(quán)的混合推薦算法，該算法在使用基于SimHash的相似度計算方法解決評分矩陣稀疏性問題的基礎(chǔ)上，利用用戶對項目的評分相似度