改进的多准则评分协同过滤推荐算法

摘要

互联网技术迅速融入各行各业中，信息资源也得以快速增长，数据从稀缺时代转变到现在的数据爆炸时代。信息量的激增对商家和用户都在一定程度上带来严峻的考验，而个性化推荐系统服务是解决这一现状的有效方法。目前，协同过滤算法是应用最为广泛的推荐算法之一，但是目前的协同过滤算法都存在数据稀疏性问题和可扩展性问题。本文的目的在于利用降维技术和模糊神经技术解决可扩展性问题和缓解评分数据的稀疏性，从而提高多准则评分协同过滤推荐系统的推荐质量和预测精度。
　　通常，大多数的传统推荐系统使用单准则评分来表示一个用户对特定物品的整体喜欢程度，而会忽略用户对物品不同侧面的喜欢程度，未能关注到用户潜在的各种兴趣爱好。而在基于多准则评分的协同过滤推荐算法中，对物品的多个方面进行评分，系统就可以获得更多用户的兴趣爱好，但同时也增加了数据的主观性、不确定性和模糊性，从而提高了整个评分矩阵的数据稀疏性，降低推荐系统的可扩展性。因此，本文根据以上多准则评分协同过滤存在的相关问题，采用一种使用高阶奇异值分解（High Order Singular Value Decomposition, HOSVD）和自适应模糊神经推理系统(Adaptive Fuzzy Neural Inference System, ANFIS)来解决多维数据带来的推荐系统可扩展性问题和缓解评分矩阵的稀疏性问题。首先，使用高阶奇异值分解（HOSVD）方法把高维数据转换为多个低维数据；然后，在较低维的数据上分别对用户间和物品间进行聚类，获得类标签；最后，使用基于减法聚类的自适应模糊神经推理系统（ANFIS）从实验数据中抽取模糊规则以表示和推理用户在物品各个方面上的行为特征。高阶奇异值分解（HOSVD）和自适应模糊神经推理系统(ANFIS)合理的有机融合，充分利用了高阶奇异值分解（HOSVD）高效处理高维度数据的功能，也避免了模糊推理系统的设计要依赖于人类专家经验。通过利用上述两种技术和多准则评分协同过滤算法结合，可以显著地提高算法的准确率，也一定程度上缓解了协同过滤推荐系统的稀疏性问题和扩展性问题。
　　本文采用的方法在猫途鹰酒店数据集进行实验，并与几个基于多准则评分推荐方法比较，实验结果表明：与之前基于多准则评分推荐算法比较，使用高阶奇异值分解（HOSVD）和自适应模糊神经推理系统(ANFIS)的多准则评分协同过滤推荐算法（简称 HASK）显著地提高了推荐的质量和预测的精确性，从而能为用户提供更人性化的推荐。

目录

第一章 绪论

1.1研究背景及意义

1.2国内外发展与研究现状

1.3 本文的主要工作及论文结构

第二章 相关理论概述

2.1 协同过滤算法系统简介

2.2 多准则评分协同过滤

2.3 HOSVD

2.4 ANFIS

2.5 本章小结

第三章 改进的多准则评分协同过滤算法

3.1传统的多准则评分协同过滤算法

3.2改进的多准则评分协同过滤算法模型

3.3本章小结

第四章 实验与结果分析

4.1 实验数据集

4.2 评估标准

4.3 实验结果分析

4.4 本章小结

总结与展望

参考文献

攻读学位期间发表的论文

声明

致谢