個(gè)性化推薦系統(tǒng)中相似性計(jì)算方法研究.pdf

1、電子商務(wù)為用戶提供了豐富的信息資源。然而，由于資源的復(fù)雜性和多樣性，用戶很容易迷失在海量的信息汪洋中，從而出現(xiàn)“信息過(guò)載”現(xiàn)象。個(gè)性化推薦系統(tǒng)能有效改善“信息過(guò)載”對(duì)用戶造成的不便，因此被廣泛應(yīng)用。在個(gè)性化推薦系統(tǒng)中，協(xié)同過(guò)濾是最為常用的一種推薦算法。但是，由于評(píng)分?jǐn)?shù)據(jù)稀疏、冷啟動(dòng)等因素的影響，導(dǎo)致其中相似性計(jì)算結(jié)果不準(zhǔn)確，進(jìn)而降低了推薦系統(tǒng)的推薦質(zhì)量。針對(duì)這一問題，通過(guò)對(duì)傳統(tǒng)相似性計(jì)算方法的改進(jìn)，提出一種基于項(xiàng)目之間興趣度的相似性計(jì)算

2、方法(Similarity Measuring Method based on Item Interest Degree，記為IID-based)。主要研究工作如下:
　　 1.對(duì)協(xié)同過(guò)濾推薦算法中現(xiàn)有的相似性計(jì)算方法進(jìn)行了研究。通過(guò)對(duì)實(shí)例的分析，發(fā)現(xiàn)現(xiàn)有相似性計(jì)算方法普遍存在以下問題:在評(píng)分?jǐn)?shù)據(jù)稀疏的情況下，難以有效反映出兩個(gè)對(duì)象之間的相似程度;只利用用戶對(duì)項(xiàng)目的評(píng)分進(jìn)行相似性計(jì)算，計(jì)算結(jié)果不準(zhǔn)確;使用傳統(tǒng)相似性公式進(jìn)行相似性

3、計(jì)算，計(jì)算過(guò)程中會(huì)出現(xiàn)分母為0的情況，導(dǎo)致計(jì)算結(jié)果無(wú)意義。
　　 2.針對(duì)現(xiàn)有相似性計(jì)算方法的不足，提出一種基于項(xiàng)目之間興趣度的相似性計(jì)算方法。與現(xiàn)有方法不同的是，該方法不再僅以用戶對(duì)項(xiàng)目的評(píng)分來(lái)進(jìn)行項(xiàng)目之間相似性的計(jì)算，而是將其與項(xiàng)目之間的興趣度相結(jié)合來(lái)進(jìn)行相似性的綜合計(jì)算。此外，該方法還采用絕對(duì)指數(shù)相似性計(jì)算公式來(lái)進(jìn)行相似性計(jì)算，有效避免了計(jì)算過(guò)程中分母為0情況的發(fā)生。
　　 3.為了驗(yàn)證所提算法的有效性，采用了重慶

4、“趁熱網(wǎng)”提供的數(shù)據(jù)集對(duì)算法進(jìn)行仿真，并以平均絕對(duì)偏差MAE和均方根誤差RMSE作為評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)估IID-based相似性計(jì)算方法的推薦精度。實(shí)驗(yàn)結(jié)果表明，IID-based方法的MAE和RMSE的值均比傳統(tǒng)相似性計(jì)算方法小。即相比于傳統(tǒng)相似性計(jì)算方法，該方法具有更高的推薦精度，可以有效減小評(píng)分?jǐn)?shù)據(jù)稀疏等不良因素對(duì)推薦系統(tǒng)推薦質(zhì)量造成的消極影響。
　　 4.將IID-based相似性計(jì)算方法應(yīng)用于Android環(huán)境下的手機(jī)應(yīng)用“