基于用戶(hù)興趣和項(xiàng)目特性的協(xié)同過(guò)濾推薦算法研究.pdf

1、信息過(guò)載是信息時(shí)代信息量過(guò)于豐富帶來(lái)的嚴(yán)重負(fù)面問(wèn)題之一。隨著電子商務(wù)的飛速發(fā)展，電子商務(wù)網(wǎng)站提供大量的商品。過(guò)量的信息嚴(yán)重干擾了用戶(hù)對(duì)商品的精確選擇。為了在一定程度上解決商品信息過(guò)載的問(wèn)題，人們提出了推薦算法。協(xié)同過(guò)濾是應(yīng)用最廣泛的一類(lèi)推薦算法。在實(shí)際應(yīng)用環(huán)境中，用戶(hù)并不會(huì)對(duì)每一個(gè)項(xiàng)目進(jìn)行評(píng)分。用戶(hù)評(píng)價(jià)過(guò)的項(xiàng)目數(shù)量往往占項(xiàng)目總數(shù)的比例很小，這就導(dǎo)致了用戶(hù)-項(xiàng)目評(píng)分矩陣極其稀疏。在評(píng)分矩陣極其稀疏的情況下，協(xié)同過(guò)濾推薦算法無(wú)法識(shí)別部分相似

2、用戶(hù)，也無(wú)法推薦剛加入系統(tǒng)的新項(xiàng)目。
　　 為了解決評(píng)分矩陣過(guò)于稀疏帶來(lái)的問(wèn)題，本文從項(xiàng)目特性和用戶(hù)興趣兩個(gè)方面分別提出了改進(jìn)的協(xié)同過(guò)濾推薦算法:基于項(xiàng)目特性的協(xié)同過(guò)濾推薦算法(CFBIF)和基于用戶(hù)興趣的協(xié)同過(guò)濾推薦算法(CFBUI)。CFBIF算法從推薦項(xiàng)目的特性中提取有效信息進(jìn)行改進(jìn)。在電子商務(wù)網(wǎng)站中，推薦項(xiàng)目有各種外觀、功能和類(lèi)型屬性。擁有相同特性的項(xiàng)目往往會(huì)有近似的評(píng)分值。CFBIF算法構(gòu)造一種結(jié)合項(xiàng)目屬性和項(xiàng)目評(píng)分兩

3、個(gè)方面特性的綜合相似度計(jì)算方法，然后基于項(xiàng)目綜合相似度對(duì)評(píng)分矩陣中的未知評(píng)分進(jìn)行預(yù)測(cè)填充。該算法增加了用戶(hù)-項(xiàng)目評(píng)分矩陣的數(shù)據(jù)密度，緩解了用戶(hù)-項(xiàng)目評(píng)分矩陣稀疏性帶來(lái)的問(wèn)題。CFBUI算法從用戶(hù)興趣中提取有效信息進(jìn)行改進(jìn)。用戶(hù)對(duì)項(xiàng)目的評(píng)分蘊(yùn)含了用戶(hù)的興趣模式。被同一個(gè)用戶(hù)評(píng)價(jià)過(guò)的項(xiàng)目之間存在興趣關(guān)聯(lián)。由于個(gè)人的興趣會(huì)遷移，所以興趣關(guān)聯(lián)強(qiáng)度會(huì)隨著時(shí)間逐漸變化。CFBUI建立隨時(shí)間衰減的興趣度模型，并通過(guò)興趣模型挖掘項(xiàng)目之間的興趣關(guān)聯(lián)，進(jìn)而