結合用戶屬性與自然最近鄰的個性化推薦算法的研究.pdf

1、推薦系統(tǒng)或推薦引擎(Recommender System）作為信息時代一種有效解決互聯(lián)網(wǎng)信息過載（Information overload）問題和向用戶進行推薦的有效手段，其基本原理是通過分析用戶歷史行為數(shù)據(jù)和其他信息提取出用戶的興趣偏好，幫助用戶快速尋找滿足其需求和興趣的物品或信息。目前推薦系統(tǒng)已被實際應用到多個領域，如Amazon商品推薦、Pandora音樂推薦、Netflix視頻推薦、Google Reader個性化閱讀、Face

2、book好友推薦、Sina新聞推薦等等。
　　目前，主流的推薦方法包含協(xié)同過濾推薦(Collaborative Filtering Recommendation）、基于內(nèi)容的推薦（Content-based Recommendation）以及混合推薦（Hybrid Recommendation）。為彌補單一推薦算法存在的各種不足，如單一的協(xié)同過濾推薦算法存在的冷啟動問題，單一的基于內(nèi)容推薦的用戶或物品內(nèi)容信息很難提取的問題等等，通

3、常會將兩種以上算法混合起來形成一種新的混合推薦算法以揚長避短。
　　本文首先分析了課題研究背景、簡述了國內(nèi)外研究現(xiàn)狀，闡明了個性化推薦算法的產(chǎn)生、發(fā)展、應用領域、研究熱點及存在的問題。其次，分別對比和分析了目前幾種主流推薦算法及推薦算法中常用的聚類方法，在此基礎上提出一種基于用戶屬性與自然最近鄰的個性化推薦算法(User Attributes and User-centric Natural Nearest Neighbor-Ba

4、sed Personalized Recommendation Algorithm,UA3NR），具體工作如下：
　　1）鑒于傳統(tǒng)的基于K近鄰的協(xié)同過濾推薦算法在選擇近鄰時沒有充分利用對稱鄰居信息且參數(shù)K（近鄰個數(shù)）很難確定，本文提出一種基于用戶自然最近鄰的推薦算法（User-centric Natural Nearest Neighbor-based Recommendation Algorithm,3NR）,該算法融入了用戶自

5、然最近鄰的概念，通過無參數(shù)、自適應地基于用戶-項目歷史評分數(shù)據(jù)尋找目標用戶的自然最近鄰用戶并進行推薦，進一步提高推薦的準確度。在使用3NR算法對目標用戶進行推薦時，又提出“活躍用戶”概念，即在目標用戶近鄰集合中增加了對評分預測有積極意義的活躍用戶，可有效緩解數(shù)據(jù)稀疏性對推薦結果的不良影響。
　　2）由于3NR算法不能有效應對冷啟動問題，本文又提出一種基于用戶屬性聚類的推薦方法（User-clustering-based Recom

6、mendation Algorithm,UCR），首先通過用戶屬性進行聚類，找到目標用戶所屬類別和目標用戶的鄰居集合，再根據(jù)鄰居集合預測評分并向目標用戶推薦物品。UCR是一種局部的近鄰查詢方法，一定程度上可以降低算法復雜度，進而提高推薦效率，且使用用戶基本屬性信息聚類可以一定程度緩解用戶冷啟動問題。
　　3）最后將3NR和UCR算法加權混合得到本文UA3NR算法，在保證推薦準確度和提高推薦算法的效率的前提下，也一定程度上緩解數(shù)據(jù)稀