基于Jaccard项目类别相似性的个性化推荐算法研究

摘要

随着互联网重要性的增加,大量的信息涌现在人们眼前。推荐系统被设计成根据用户的偏好来帮助人们发现最相关的项目。使用最广泛的个性化推荐技术是协同过滤,它基于其他用户的经验向用户推荐商品。但是,协同过滤技术存在严重的问题,如稀疏性问题和扩展性问题。本文就如何克服这些问题和提高推荐质量进行了研究。
　　 首先,简要介绍了课题的研究背景和几种个性化推荐技术,着重介绍了协同过滤技术,分析了协同过滤技术所面临的问题。
　　 其次,针对在用户评分数据极端稀疏的情况下,传统的相似性度量方法存在弊端,提出了一种基于云模型计算项目评分相似性的方法,该方法在知识层面比较相似性,克服了以往的基于向量比较相似性的方法在严格匹配对象属性方面的缺陷。该方法有效地解决了传统协同过滤算法所面临的问题,改善了推荐效果。
　　 最后,针对基于项目的协同过滤技术中计算项目相似性考虑因素的单一性,本文提出一种基于Jaccard相似性计算项目类别相似性的方法。先对未考虑项目类别因素的个性化推荐算法进行分析,指出其中的弊端,并介绍已考虑项目类别因素的方法,分析了其中计算项目类别相似性方法的不足,再提出基于Jaccard相似性的项目类别相似性计算方法。最后综合项目类别相似性和项目评分相似性得出综合项目相似性,选择相似性最大的前K项作为目标项目的最近邻居,预测目标用户的未评分项目,在此基础上实现针对目标用户的Top-N推荐。实验结果表明,本文提出的方法有较低的MAE,提高了推荐系统的质量。

目录

文摘

英文文摘

第一章 绪论

1.1 课题研究背景

1.2 国内外相关研究现状

1.2.1 个性化推荐技术

1.2.2 个性化推荐系统

1.3 主要研究内容

1.4 论文组织结构

第二章 个性化推荐系统及其核心技术

2.1 个性化推荐系统

2.2 个性化推荐技术

2.2.1 基于内容推荐

2.2.2 基于协同过滤推荐

2.2.3 基于关联规则推荐

2.2.4 基于效用推荐

2.2.5 基于知识推荐

2.2.6 组合推荐

2.3 协同过滤技术的详细介绍

2.3.1 协同过滤算法思想

2.3.2 协同过滤技术的分类

2.3.3 协同过滤技术的优点

2.3.4 协同过滤技术的缺点及解决方法

2.4 小结

第三章 基于云模型的项目评分预测推荐算法

3.1 传统的项目相似性度量方法

3.2 云模型相关介绍

3.3 基于云模型的项目评分预测推荐算法

3.3.1 相关定义

3.3.2 基于云模型预测未评分项目评分

3.3.3 产生推荐集

3.4 实验

3.4.1 测试数据集

3.4.2 评价标准

3.4.3 实验过程

3.4.4 实验结果及分析

3.5 小结

第四章 基于综合项目相似性的协同过滤推荐算法

4.1 未考虑项目类别相似性的个性化推荐算法

4.2 已有的计算项目类别相似性方法

4.3 基于Jaccard相似性的项目类别相似性度量

4.4 基于综合项目相似性的个性化推荐算法

4.4.1 综合项目相似性的相关定义

4.4.2 基于综合项目相似性预测未评分项目评分

4.4.3 产生推荐集

4.5 实验

4.5.1 实验过程

4.5.2 实验结果及分析

4.6 小结

第五章 结论与展望

5.1 研究工作及成果总结

5.2 进一步研究方向

参考文献

致谢

攻读学位期间主要研究成果