基于项目权重的用户相似度推荐算法研究

摘要

随着互联网数据规模的不断增长，用户无法准确迅速的找到自己需要的资源，在解决信息资源过载这一问题上，相关学者们商讨了多种应对技术方案，其中推荐系统就是目前比较优秀的信息过载解决方案。推荐系统是一种针对用户的个性化信息处理系统，能够很好地充当用户和信息资源之间的枢纽。推荐系统首先会针对服务对象建立用户个人模型，其次对用户的爱好需求进行分析描述，最后在约定好的推荐策略下将相应的信息主动的推荐给目标用户。 相比于搜索引擎等信息处理工具，推荐系统在信息处理上具有更加智能化与个性化的特点。目前在线电子商务网站以及社交、视频网站等互联网系统都已经用上了推荐系统，并且在这些网络平台起着核心的作用。在众多推荐系统方式中，协同过滤推荐系统是当前学者研究比较深入、应用领域比较宽的一类推荐方式。协同过滤推荐算法的核心是通过寻找目标用户最近邻用户评分高的项目，最近邻用户的确定主要是靠用户和项目之间的相似度值。目标用户最近邻用户的可信度与准确度越高，其推荐的结果在质量与效益层面上就会更好，所以推荐系统能否成功的发挥其作用就在与研究者设计的相似度计算方法。 本文介绍了推荐系统的形成原因以及在目前互联网大环境发展下推荐算法的个性化应用，与此同时，我们详细介绍了基于用户行为、内容、近邻、情境感知推荐系统，对各自的推荐原理做了相应的说明，使读者能够了解不同推荐系统的整体实现架构。作为推荐系统中核心的相似度算法，我们主要介绍了皮尔逊相关系数以及夹角余弦相似度作为主要算法在推荐系统中的实现，并对常见的评估系统推荐质量的指标做了相应的介绍。 目前的推荐算法中，用户间共同评分项目的高、低评分项目参与计算的比重是一样的，而推荐系统的推荐目标是推荐用户间都喜爱的项目，一视同仁的考虑高、低评分项目权重，只会降低推荐任务的推荐质量，得不到用户想要的结果。在此基础上，我们通过查阅相关资料提出本文的基于项目权重的用户相似度推荐算法研究。通过对用户相似度算法的改进，以及在MovieLens电影数据集的实验测试，我们发现考虑项目权重的相似度推荐算法相比于传统的不区分高低评分项目的算法，在推荐准确性、评分预测、推荐质量上会有显著的提高。

目录

第一个书签之前