融合用户影响力和相似度的协同过滤推荐算法

摘要

现今我们处于一个信息过载的时代。用户在面对众多选择时无所适从，此时个性化推荐系统搭建了从用户到物品的桥梁，过滤掉和用户无关、用户不感兴趣的信息，呈现在用户面前的永远是用户喜好的物品，解决了信息过载的问题。协同过滤算法是个性化推荐中最流行的算法。传统的协同过滤推荐算法在为某一个目标用户推荐时，参考了所有用户的购买历史信息。然而当为一个目标用户推荐时，与其更相似的用户显然比其他用户具有更有价值的参考作用。本文针对协同过滤中用户相似度计算准确率低的问题进行研究，具体研究内容如下：
　　首先，针对传统协同过滤推荐算法中用户项目评分矩阵的数据稀疏问题，考虑到用户消费的时间先后信息对用户相似度产生的隐式影响，提出一种利用时序信息挖掘用户影响关系的影响力计算方法，该方法能有效的缓解数据稀疏问题，并通过计算得出的有向影响力提高用户相似度计算的准确度。
　　其次，考虑到用户共同评分和流行物品对用户相似度计算的影响，引入流行物品权重以及用户共同评分权重因子，提出一种融合影响因子的用户相似度计算方法，减小了用户相似度计算的误差，提高了用户相似度计算的准确度。
　　再次，并将上述两计算方法中得到的用户影响力矩阵和用户相似度矩阵通过Top-N的推荐方法产生用户最近邻集合，将推荐集合中的用户历史评分项目进行累加，再次采用Top-N的推荐方法产生最终的项目推荐集合，进而形成了融合用户影响力和相似度的协同过滤推荐算法，提高用户相似度计算的准确度。
　　最后，该算法在Movielens数据集上进行了仿真实验，与一些经典算法进行了对比。

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 本文组织结构

第2章 推荐系统相关理论与技术

2.1 推荐系统基本概念

2.2常见的推荐算法

2.3 基于用户的协同过滤推荐算法所面临的问题

2.4 推荐系统目标及评价指标

2.5 本章小结

第3章 基于时序行为的用户影响力研究

3.1 基于时序行为的信息

3.2 用户影响力的最近邻选择

3.3 基于时序行为的用户影响力算法描述

3.4 本章小结

第4章 基于改进相似度计算方法的协同过滤推荐算法

4.1 用户相似度计算的权重因子和局限性

4.2 改进的用户相似度计算方法

4.3 改进的用户相似度算法描述

4.4 融合用户影响力的用户相似度计算方法

4.5基于改进相似度计算方法的协同过滤推荐算法

4.6 本章小结

第5章 实验结果及分析

5.1 实验数据

5.2 实验环境

5.3 实验评价标准

5.4 参数的选取

5.5 算法实验结果及分析

5.6 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢