基于信息时效量化和相似度融合的协同过滤改进算法研究

摘要

互联网的飞速发展和普及推动人类进入网络经济时代，电子商务随之迅速成长为主要的消费方式之一，但同时也使得各种资源信息更加错综复杂，人们在获取所需信息的时候不得不额外地花费大量的时间，于是推荐系统依靠其有效的信息过滤功能站上了历史的舞台。 推荐系统以其出色的性能和巨大的潜力在电子商务领域发挥着越来越重要的作用，获得了前所未有的关注，同时也面临着诸多方面的考验。网站的构成日趋繁杂，使得评分矩阵由于用户以及项目数量的急速上涨变得极其稀疏。除此之外，现有的推荐系统忽视了用户兴趣随时间的变化，将不同时间的评分信息同等对待，极大降低了推荐精度和也影响了用户的使用体验。针对以上两点，本文的主要研究内容如下： 1）针对传统的协同过滤推荐系统因忽略信息时效性而造成的推荐精度不高的问题，本文提出一种信息时效量化模型对用户信息进行预处理，该模型是一种基于遗忘曲线的长时记忆模型，其作用是增加近期评分的权重而减弱比较久远的评分的影响，从而更好的适应用户兴趣变化的需要，为其提供更加准确的推荐结果，优化用户体验。 2）针对传统协同过滤推荐在数据稀疏性条件下性能不佳的问题，本文提出一种基于相似度融合的协同过滤算法，该算法主要改进了传统基于用户的协同过滤算法中用户相似度的计算，从评分和兴趣两个方面着手分别计算用户-项目类别兴趣相似度和用户-项目类别评分相似度，最后加权融合得到最终的用户相似度。这一过程中，将原本基于项目评分的计算转换为基于项目类别的计算，能够在很大程度上缓解数据稀疏性问题影响的同时也能够达到更高的推荐精度。 3）利用MovieLens公用数据集进行仿真实验，选取合适的参数值，从多个角度分析和对比改进前后的算法来验证其有效性。 经过一系列实验的验证与对比，基于时效量化和相似度融合的协同过滤改进算法确实能够在数据稀疏的大环境下有效地提高算法的推荐精度和实时性。

目录

第一个书签之前