基于协同过滤技术的个性化推荐系统研究

摘要

随着互联网技术和应用的飞速发展,推荐系统在网上购物、图书、音乐、电影、新闻等方面的应用愈加广泛。面对海量信息,推荐系统显得尤为重要,推荐技术受到更多的关注和研究。作为推荐系统核心技术的推荐算法,在很大程度上决定着推荐系统优劣。而协同过滤技术以其简单、高效的特点,成为目前应用最为广泛和成功的推荐技术。本文论述了推荐系统的研究意义,国内外研究现状,基本框架和基于关联规则、基于内容等主要的推荐技术,并深入介绍了协同过滤推荐的实现过程、分类和面对的主要问题。针对传统协同过滤算法存在的稀疏性和冷启动问题,本文提出了一种基于用户和项目的混合协同过滤算法。为了使该算法比传统算法更能代表用户的偏好并具有更高的预测准确度,本文主要做了以下工作:1.引入修正参数α对Pearson相似性公式进行修正;2.引入控制因子λ对用户和项目两项评分进行综合加权,以得到更精准的预测,最终提高系统推荐质量。最后,本文使用协同过滤常用的MovieLens数据集设计对应的实验方案。首先,设计实验确定了修正参数α和控制因子λ的最佳取值;其次,对本文提出的修正相似性公式进行了推荐效果测试,针对基于用户和基于项目算法选择不同的相似性计算公式;最后,以平均绝对误差MAE作为评价指标,对本文提出的混合算法UPIC和常用的算法进行了分析对比,实验结果表明本文提出的基于用户-项目的混合协同过滤算法UPIC与传统的基于用户和项目的协同过滤算法相比较推荐更加准确。

目录

摘要

Abstract

第一章 绪论

1.1 研究背景及研究意义

1.2 国内外研究现状

1.3 本文的结构安排

第二章 个性化推荐系统及其核心技术

2.1 个性化推荐系统概述

2.1.1 个性化推荐系统概念及分类

2.1.2 个性化推荐系统研究内容

2.2 个性化推荐系统的基本框架

2.2.1 用户行为记录模块

2.2.2 兴趣建模模块

2.2.3 推荐算法模块

2.3 个性化推荐技术

2.3.1 基于内容的推荐

2.3.2 协同过滤推荐

2.3.3 基于关联规则的推荐

2.3.4 其他推荐技术

2.3.5 组合推荐

2.4 小结

第三章 协同过滤推荐研究

3.1 协同过滤简单描述

3.2 协同过滤的实现过程

3.2.1 评分表示

3.2.2 近邻选择

3.2.3 产生推荐或预测

3.3 协同过滤算法的分类

3.3.1 基于内存的协同过滤

3.3.2 基于模型的协同过滤

3.4 协同过滤存在的问题

3.5 协同过滤常用数据

第四章 基于用户-项目的混合式协同过滤改进算法UPIC

4.1 传统User-based协同过滤算法

4.1.1 相似性计算方法

4.1.2 选取最近邻

4.1.3 产生推荐

4.2 传统Item-based协同过滤算法

4.3 改进的协同过滤算法UPIC

4.3.1 相似性计算方法

4.3.2 用户评分预测

4.3.3 改进算法UPIC

4.4 算法实现

4.5 小结

第五章 实验结果及分析

5.1 实验基础

5.2 实验标准及方案

5.3 实验结果及分析

第六章 总结和展望

6.1 本文工作总结

6.2 未来工作展望

参考文献

攻读硕士期间发表的论文

致谢