一种协同过滤中相似度计算和近邻用户查找算法研究

摘要

随着互联网技术和信息行业的快速发展，信息过载已经成为信息时代严重的负面问题之一。解决信息过载问题一个非常有效的办法是个性化推荐系统，它根据用户的信息需求、兴趣等，将用户感兴趣的信息推荐给用户。但是传统的协同推荐算法存在数据稀疏、推荐的实时性、准确性以及冷启动等问题。
　　本文主要对协同过滤算法中两个关键的步骤：用户相似度计算和近邻用户的查找进行了深入分析和研究。引入了评分尺度差异权重因子的方法改进用户间相似度的计算；以及提出一种改进的 KNN近邻用户查找算法来寻找与目标用户兴趣真正相近的用户。
　　首先针对用户-项目的评分矩阵进行研究发现，用户之间存在打分习惯不一致的现象，导致了用户之间存在评分尺度差异性的问题。本文提出基于用户评分尺度差异性的权重因子来提高用户间相似度计算的准确性。
　　其次，由于用户-项目评分矩阵存在数据稀疏性的问题，在利用传统 KNN算法进行近邻用户查找时，发现所选的用户虽然与目标用户相似度很高，但是对目标项目有过评分的比例严重偏低；或者所选的用户虽然对目标项目有过评分，但是与目标用户的相似度偏低，并非目标用户真正的近邻用户。本文通过相似度阈值和权重因子的方式综合考虑两部分集合对最终预测评分的影响，提高算法的推荐精度。
　　最后，在 Movielens数据集上设计几组实验，分别与传统的推荐算法进行对比，实验结果显示我们改进之后的相似度算法和近邻用户查找算法的平均绝对误差 MAE要优于传统推荐算法。实验结果表明本文改进的协同过滤推荐算法比传统的协同过滤推荐算法有更好的推荐效果。

目录

声明

第一章 绪论

1.1 课题研究背景及意义

1.2国内外研究现状

1.3研究问题

1.4 研究内容

1.5论文组织结构

第二章 推荐系统与推荐相关算法

2.1 推荐系统概述

2.2相关推荐技术

2.3推荐技术存在的问题

2.4本章小结

第三章 基于用户评分尺度差异构建的相似度模型

3.1 相似度算法概述

3.2相似度算法的改进方式

3.3 用户评分尺度差异的分析

3.4 基本评分尺度差异性的改进相似度算法

3.5 算法实现

3.6 时间复杂度分析

3.7 本章小结

第四章 基于协同过滤的近邻用户分析与优化

4.1优化背景及目标

4.2改进的近邻查找策略

4.3算法分析

4.4算法实现

4.5 时间复杂度分析

4.5 本章小结

第五章 实验与结果分析

5.1 实验数据集

5.2 实验环境

5.3 实验度量标准

5.3 实验方案

5.4 实验分析

5.5本章小结

结论

1.总结

2.展望

参考文献

致谢