協(xié)同過(guò)濾推薦系統(tǒng)的數(shù)據(jù)稀疏性問(wèn)題研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，使得獲得信息的途徑逐漸增多，在給人們帶來(lái)便利的同時(shí)，海量的信息也覆蓋了人們的日常生活，“信息過(guò)載”成為了不容忽視的現(xiàn)實(shí)問(wèn)題。如何能夠在信息海洋中快速、準(zhǔn)確的找到用戶所需要的信息成為目前研究的熱點(diǎn)問(wèn)題。為了解決這一問(wèn)題，個(gè)性化推薦系統(tǒng)因運(yùn)而生，成為繼搜索引擎后一種獲取信息的重要方式。個(gè)性化推薦系統(tǒng)包括很多類型，應(yīng)用最廣泛的是協(xié)同過(guò)濾推薦,其優(yōu)點(diǎn)主要包括計(jì)算簡(jiǎn)單、易實(shí)現(xiàn)等。另一方面，數(shù)據(jù)稀疏性、冷啟動(dòng)、用戶興趣波動(dòng)等因

2、素直接制約了推薦結(jié)果的準(zhǔn)確性。因此，怎樣進(jìn)一步提高推薦的準(zhǔn)確性成為一個(gè)亟待解決的難題。
　　為了解決上述的問(wèn)題，許多具有代表性的有效推薦算法被提了出來(lái)，例如鄧愛(ài)林等人提出的一種基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法；Sarwar等人提出的評(píng)分矩陣填值的方法等。但是在傳統(tǒng)的協(xié)同過(guò)濾推薦算法中沒(méi)有將用戶-項(xiàng)目評(píng)分矩陣數(shù)據(jù)稀疏，用戶之間共同評(píng)分項(xiàng)目稀少這一狀況考慮在內(nèi)，當(dāng)出現(xiàn)該情況時(shí)使用傳統(tǒng)的相似度計(jì)算方法將會(huì)導(dǎo)致推薦結(jié)果出現(xiàn)精確度不高的現(xiàn)

3、象。針對(duì)該問(wèn)題，本文提出了結(jié)合用戶的評(píng)分時(shí)間來(lái)發(fā)現(xiàn)具有相似評(píng)分行為的用戶，從而改善傳統(tǒng)協(xié)同過(guò)濾算法中尋找最近鄰的方法，該方法相比傳統(tǒng)的基于用戶的協(xié)同過(guò)濾算法平均絕對(duì)誤差降低了1.89％；提出了融和用戶評(píng)分方差相似度的改進(jìn)算法，從而更全面地利用用戶評(píng)分信息來(lái)改善相似度的計(jì)算，該方法使得平均絕對(duì)誤差降低了1.94%；提出了在結(jié)合用戶評(píng)分的基礎(chǔ)上融合用戶評(píng)分方差的改進(jìn)算法，該算法使得平均絕對(duì)誤差降低了2.19%。通過(guò)實(shí)驗(yàn)的結(jié)果可知，即使在數(shù)據(jù)