基于粒關(guān)聯(lián)規(guī)則的冷啟動推薦算法.pdf

1、隨著經(jīng)濟的蓬勃發(fā)展，特別是互聯(lián)網(wǎng)的普及，電子商務(wù)行業(yè)迅速崛起，網(wǎng)上購物逐漸成為了一種時尚和未來發(fā)展的趨勢。然而，隨著網(wǎng)上信息量的指數(shù)上升，可供選擇的產(chǎn)品鋪天蓋地，用戶很難進行抉擇。推薦系統(tǒng)的出現(xiàn)為解決這一問題提供了方法，它能夠幫助用戶更加有效迅速地找到自己想要購買的產(chǎn)品。
　　冷啟動問題是推薦系統(tǒng)的一個難點，也逐漸發(fā)展成為研究人員廣泛關(guān)注的經(jīng)典問題。目前研究冷啟動推薦的工作大多都是處理新用戶或新項目兩類冷啟動問題。然而，對于第三類

2、冷啟動問題，即向新用戶推薦新項目，卻很少被考慮。因為新用戶選擇項目以及新項目被選擇的歷史記錄都是空白的，所以研究此類問題會更有挑戰(zhàn)力。
　　本文提出了基于粒關(guān)聯(lián)規(guī)則的推薦算法用于解決冷啟動推薦問題，特別是解決向新用戶推薦新項目的問題。因為目前已有的粒關(guān)聯(lián)規(guī)則方法還沒有處理多值型和數(shù)值型屬性等問題，所以本文首先提出解決這些問題的方法，然后再把這些方法應(yīng)用于推薦算法。本文的主要研究成果如下:
　　(1)處理粒關(guān)聯(lián)規(guī)則中的多值型屬

3、性問題。在實際生活中，存在許多種多值型數(shù)據(jù)類型的屬性，例如，一部電影屬性類型既是動作類也是冒險類。本文采用scaling-based方法來處理信息表中的屬性多值問題。在粒關(guān)聯(lián)規(guī)則的挖掘過程中，過濾掉消極粒，保留積極粒。從而有利于減少消極性規(guī)則的產(chǎn)生，并避免被用于推薦。
　　(2)處理粒關(guān)聯(lián)規(guī)則中的數(shù)值型屬性問題。目前，粒關(guān)聯(lián)規(guī)則的研究只考慮了處理信息表中的符號型數(shù)據(jù)，但實際生活中存在著大量的數(shù)值型數(shù)據(jù)。本文通過采用 Equal W

4、idth、Equal Frequency和K-Means三種離散化方法來對數(shù)值型數(shù)據(jù)進行處理，使得更多更強的規(guī)則可以被挖掘出來，并用于推薦。
　　(3)定義了三種指標來衡量推薦的算法，即準確率指標、顯著性指標和多樣性指標。在這里，準確率指標可以反映出推薦算法的質(zhì)量，而顯著性和多樣性指標可以反映出個性化推薦算法的性能。
　　(4)設(shè)計了基于粒關(guān)聯(lián)規(guī)則的冷啟動推薦算法，這也是本文的核心內(nèi)容。首先，本文用信息粒來刻畫新用戶和新項目

5、，例如，“35歲的男經(jīng)理”、“愛情動作電影”和“2014年上映的喜劇電影”等都是信息粒。根據(jù)信息表中已有用戶和項目的信息及他們之間的關(guān)系表，通過滿足不同指標，挖掘出一些粒關(guān)聯(lián)規(guī)則。接著，根據(jù)這些規(guī)則，新用戶可以匹配到合適的用戶粒。然后，采用confidence-based和significance-based兩種方法選取推薦粒；最后，根據(jù)這些推薦粒匹配新項目的粒，并將相應(yīng)的新項目用于推薦。在此基礎(chǔ)上，本文還研究了基于粒關(guān)聯(lián)規(guī)則的Top-