基于项目相似度与用户需求的协同过滤推荐算法研究

摘要

计算机的迅速普及以及网络通信技术的发展是人类第五次信息技术革命的基础，信息化时代的到来为人们的生活带来了前所未有的改变和体验。但是毫无疑问，发展与问题是相互伴随的，信息过载问题日益严重，同时人们需求变换越来越快，同质化的服务已经难以适应人们的需求变化，个性化服务成为了发展的主流，个性化推荐系统便应运而生，它的出现不仅缓解了信息过载问题还提高了用户的服务满意度。
　　本文阐述了推荐系统的发展历程与应用前景。在简要介绍了协同过滤、基于内容、潜在语义分析、基于关联规则、基于情景信息等主流推荐算法基础上，重点对协同过滤算法进行了阐述，同时分析了推荐算法中的常见问题以及相关解决方法。
　　伴随着用户和项目数据量的急速增长，基于用户的协同过滤算法将产生不可避免的数据稀疏问题，进而极大的降低了算法推荐准确度，影响推荐效果。针对这一问题，本文在深入研究项目之间联系的基础上，提出了一种改进的基于用户的协同过滤算法ISUCF，该算法综合了项目的属性相似度和关联相似度，对评分矩阵进行填充。论文详细的描述了算法的改进思路与推导过程，并且通过实验对比分析ISUCF算法与已有算法，结果表明本文改进算法可以有效提高推荐准确度。
　　虽然本文的ISUCF算法通过实验证明一定程度上可以解决数据稀疏问题，但是难以动态跟踪用户需求变化以及推荐时效性差等问题对推荐结果准确度和质量的影响也不可忽视。而且在这个信息瞬息万变的时代，影响人们需求的情景因素也在不断变化，只有对用户需求进行动态分析追踪，才能取得更好效果。对此，本文在ISUCF算法的基础上，提出一种利用时间衰减和时间窗口模拟用户需求变更的推荐算法ITICF，实验证明，该算法有效提高了推荐准确度和推荐质量。

目录

声明

摘要

第1章 绪论

1．1 研究的背景和意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 主要研究内容

1．4 论文结构

第2章 个性化推荐系统与推荐算法综述

2．1 个性化推荐系统概述

2．2 个性化推荐系统模型

2．3 常见个性化推荐算法

2．3．1 协同过滤推荐算法

2．3．2 基于内容的推荐算法

2．3．3 潜在语义分析推荐算法

2．3．4 基于关联规则挖掘推荐算法

2．3．5 基于情景信息的推荐算法

2．4 推荐算法的常见问题

第3章 结合项目属性和关联相似度的推荐算法

3．1 项目相似模型分析与改进

3．1．1 项目属性相似度

3．1．2 项目关联相似度

3．1．3 项目相似度

3．2 基于项目相似模型的预测评分

3．2．1 构建相似项目集

3．2．2 预测评分

3．3 协同过滤推荐算法的改进

3．3．1 评分矩阵构建与填充

3．3．2 基于填充矩阵寻找最近邻用户集

3．3．3 评分预测

3．4 算法流程总结

3．5 实验与分析

3．5．1 实验数据集与实验环境

3．5．2 性能评价指标

3．5．3 实验方案与结果分析

3．5．4 实验总结

第4章 基于用户需求的推荐模型

4．1 情景信息描述

4．2 时间衰减情景信息的表示

4．3．时间窗口情景信息的表示

4．4 用户需求模型的建立

4．4．1 用户需求候选项目集的构造

4．4．2 查找项目邻居项集

4．4．3 预测评分

4．4．4 生成推荐项集

4．5 算法流程总结

4．6 实验与分析

4．6．1 实验数据集与实验环境

4．6．2 性能评价指标

4．6．3 实验方案与结果分析

4．6．4 实验总结

总结与展望

致谢

参考文献