一種基于用戶相似度改進的協(xié)同推薦算法研究.pdf

1、伴隨著大數(shù)據(jù)時代的快速發(fā)展，人們逐漸陷入了信息海洋，信息過載問題成為大數(shù)據(jù)時代嚴重的負面問題之一。為緩解信息過載問題，個性化推薦技術應運而生。協(xié)同推薦技術是推薦系統(tǒng)最成功的推薦技術之一，傳統(tǒng)的協(xié)同推薦算法存在數(shù)據(jù)稀疏、推薦的實時性、準確性以及冷啟動等問題，針對此問題，大量國內(nèi)和國外學者提出各種解決辦法，并在一定程度取得較理想的效果。然而針對協(xié)同過濾存在的評分尺度差異問題所提出解決辦法卻相對較少。
　　本文主要對推薦系統(tǒng)面臨的推薦準

2、確性進行了深入分析和研究，在User-Based協(xié)同過濾算法的基礎上，結合針對用戶評分尺度差異提出的解決方案，設計了一種基于用戶相似度改進的協(xié)同推薦算法。首先，本文對當前個性化推薦技術在國內(nèi)外的發(fā)展現(xiàn)狀進行綜述，對主流的推薦技術進行了比較和分析。
　　然后，通過分析傳統(tǒng)協(xié)同推薦技術中的核心算法，即用戶相似度計算方法，發(fā)現(xiàn)協(xié)同過濾算法還存在另一個問題：在計算用戶相似度時，用戶之間在項目集合內(nèi)對所有項目的評分尺度差異會被忽略。盡管目前

3、提出的修正的余弦相似度算法和皮爾遜相似度算法在一定程度上對傳統(tǒng)的余弦相似算法在的評分尺度差異完全忽略問題有所改善，但是用戶之間對項目的單條評分尺度差異問題依舊存在。當兩個用戶對一組共同評分項目集合的評分向量存在較大的不同時，他們的評分向量的合向量是有一定幾率得到比較相似的結果。
　　接下來，通過對余弦相似算法在多維空間評分向量存在的評分尺度差異問題，修正的相似算法和皮爾遜相似算法在多維空間尺度差異向量存在的問題進行了詳細的分析，找