融合项目属性相似度和评分相似度的协同过滤推荐算法

摘要

互联网技术的日益成熟以及互联网用户的高速增长，使得越来越多的行业和企业加入到互联网中来，导致互联网信息的急剧增长。面对越来越多，越来越复杂的信息，用户无法及时的准确的从海量的信息中选取满足自身需求的信息，这就是“信息过载”问题。为了解决该问题，各种个性化推荐系统应运而生，其中应用的最成功和成熟的技术是协同过滤，但是日趋增长的用户数量和项目数量，以及信息的有效性和及时性都对协同过滤推荐算法提出了更严峻的考验。本文重点研究协同过滤推荐算法，在传统协同过滤推荐算法的基础上，进行了改进，针对传统协同过滤推荐算法中数据稀疏和低流行度项目被推荐率低等问题，提出了一种融合项目属性相似度和评分相似度的协同过滤推荐算法。本文的主要研究内容如下：
　　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，考虑到项目属性对项目相似度计算的影响，提出一种融合信息熵的加权Jaccard系数的属性相似度计算方法，能够有效的缓解数据稀疏问题，提高相似度计算的准确性。
　　其次，针对传统协同过滤推荐算法中的相似度计算准确性差，低流行度项目被推荐率低等问题，考虑用户活跃度和项目流行度对项目相似度计算的影响，引入相关性惩罚因子，提出一种融合用户活跃度和项目流行度的评分相似度计算方法，在保证推荐精度的情况下，提高了低流行度项目的被推荐率。
　　再次，结合两种改进的相似度计算方法，提出一种融合项目属性相似度和评分相似度的协同过滤推荐算法，通过将计算得到的属性相似度矩阵和评分相似度矩阵线性组合，得到项目的综合相似度矩阵，使用TOP-N推荐得到项目的最近邻集合，并将推荐结果反馈给用户。
　　最后，选取MovieLens数据集进行仿真实验，与传统的协同过滤推荐算法进行对比实验。

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 推荐系统相关技术

2.1 推荐系统基本概念

2.2 常见的推荐算法

2.3 推荐系统所面临的问题

2.4 数据集及评价指标

2.5 本章小结

第3章 融合信息熵的加权Jaccard系数相似度计算方法

3.1 考虑项目属性的Jaccard相似度计算方法

3.2 融合信息熵的加权Jaccard相似度计算方法

3.3 本章小结

第4章 基于项目属性和评分的协同过滤推荐算法

4.1 融合用户活跃度和项目流行度的相似度计算方法

4.2 基于项目属性和评分的协同过滤推荐算法

4.3 本章小结

第5章 实验结果及分析

5.1 实验准备

5.2 实验环境

5.3 实验对比及结果分析

5.4 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