基于協(xié)同過(guò)濾的個(gè)性化推薦相似度測(cè)量算法的研究.pdf

1、近十多年來(lái)，互聯(lián)網(wǎng)爆炸式的發(fā)展把網(wǎng)絡(luò)社會(huì)文明帶入新型信息時(shí)代。增長(zhǎng)的數(shù)據(jù)資源使得用戶有更多選擇，但如何去選擇用戶自己需要的信息卻變得日益艱難。面對(duì)海量的數(shù)據(jù)，無(wú)論是對(duì)于用戶還是供應(yīng)商來(lái)說(shuō)如何獲得自己所感興趣的事情已經(jīng)成為了極大的挑戰(zhàn)，用戶難以在數(shù)據(jù)海洋中得到想要的需求信息，物品供應(yīng)商在大量的互聯(lián)網(wǎng)信息垃圾中剝離出用戶的真實(shí)需求也是一項(xiàng)復(fù)雜艱難的工作。如何從信息海洋中提取并提煉到準(zhǔn)確乃至精確的信息，推薦系統(tǒng)起到了極為重要的作用。協(xié)同過(guò)濾作

2、為推薦系統(tǒng)中應(yīng)用最廣泛最經(jīng)典的一套算法，學(xué)者對(duì)它的關(guān)注和改進(jìn)未曾止步，協(xié)同過(guò)濾能夠直接或間接的挖掘用戶顯性或者隱性的需求信息并產(chǎn)生推薦。而在實(shí)際使用推薦的過(guò)程中，卻常常因數(shù)據(jù)稀疏、冷啟動(dòng)等問(wèn)題并不能獲得較理想的推薦效果。為此，本文以相似度和鄰居選擇作為切入點(diǎn)，分別提出了基于歐式空間相似度的云模型協(xié)同過(guò)濾算法和用戶屬性加權(quán)活躍近鄰的協(xié)同過(guò)濾算法，本文的相應(yīng)的主要工作如下：SSS
　?。?）分析了推薦領(lǐng)域的研究現(xiàn)狀，回顧了協(xié)同過(guò)濾推薦

3、的基本原理及云模型的理論知識(shí)，分別對(duì)各種協(xié)同過(guò)濾算法做了簡(jiǎn)要闡述。介紹了采用余弦相似度計(jì)算方法的云模型協(xié)同過(guò)濾推薦算法基本原理和推薦過(guò)程，詳細(xì)描述了基于 kNN近鄰的協(xié)同過(guò)濾算法中目標(biāo)用戶的最近鄰居集的生成過(guò)程。
　　（2）針對(duì)傳統(tǒng)的基于余弦相似度度量的云模型協(xié)同過(guò)濾推薦算法，未考慮特征向量的長(zhǎng)度和維度，忽略了三個(gè)重要數(shù)字特征云期望、熵和超熵的關(guān)系，如各數(shù)字特征具有不同的性質(zhì)和權(quán)重，導(dǎo)致特征丟失、區(qū)分度過(guò)小的問(wèn)題。針對(duì)這些問(wèn)題，提

4、出了一種采用標(biāo)準(zhǔn)化的多維歐幾里德相似度計(jì)算方法，通過(guò)將三個(gè)數(shù)字特征映射為三維空間的點(diǎn)，計(jì)算經(jīng)指數(shù)函數(shù)標(biāo)準(zhǔn)化的歐幾里德相似度，生成更合理的用戶k近鄰集，最終產(chǎn)生推薦。實(shí)驗(yàn)結(jié)果表明，該相似度計(jì)算方法能夠?yàn)樵铺卣飨蛄刻峁└@著的區(qū)分度，并在一定程度上提高了推薦質(zhì)量。
　?。?）針對(duì)現(xiàn)有的基于kNN近鄰協(xié)同過(guò)濾技術(shù)，在選擇最近鄰居時(shí)過(guò)于依賴評(píng)分相似度的問(wèn)題，提出了一種用戶屬性加權(quán)活躍近鄰的協(xié)同過(guò)濾算法。首先，通過(guò)引入用戶特征屬性并融合最小