基于遗传算法的协同过滤算法的研究与应用

摘要

现有的推荐技术中，协同过滤技术的应用最为广泛，使用的推荐效果也很不错。为了达到更精确的个性化推荐，研究者们开始了大量的推荐算法混合使用方面的研究，一些比较好的混合算法从不同的角度避免了其他算法单独使用时的缺陷，从而使得综合性算法表现出更好的特性与效果。
　　本文主要在原有的研究基础上，对协同过滤算法进行了一些改进，在将给予内容的协同过滤和基于矩阵的协同过滤算法结合的基础之上，引入信任模型进行进一步的过滤，同时采用遗传算法进行特征选取与参数组合优化。论文主要的难点和创新点主要体现在以下几点：
　　1)User-based、Item-based以及基于矩阵的协同过滤算法的结合。
　　一般的组合直接是加法计算，本文中的结合是通过权值的方式，这样可以减小主观认为的片面性，以数据说话，通过权值获得最好的效果。
　　2)信任模型的引入。
　　文章在将基于矩阵和基于用户和项目的邻居算法结合的基础上引入了信任度模型。基于矩阵的协同过滤算法能够通过矩阵分解的方式分解出新的特征向量。从这些新的向量又可以分析出一些新的信息。
　　3)遗传算法的特征选取和参数组合优化。
　　通过遗传算法选取用户和项目的一特征属性，本文中的实验数据集是MovieLens，所以就是针对这其中的数据进行的项目（影片）和用户的特征筛选。
　　文中基于项目和基于用户的协同过滤算法在结合时的参数如果通过手动测试找出最佳的组合将会耗费极大的时间代价。而遗传算法在组合优化方面的应用效果特别突出，因此采用遗传算法来对这些参数进行组合优化。
　　在本文的实验获得最佳的参数组合之后，通过采用这组参数带入计算，改进的混合算法相比引入信任度和遗传优化之前，确实提高了推荐算法的准确度。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1引言

1.2推荐技术的国内外研究现状

1.3论文的研究意义

1.4论文的主要工作

1.5论文的组织结构

第二章 概念与综述

2.1常用的几种推荐技术

2.2遗传算法

2.3本章小结

第三章 协同过滤推荐算法

3.1基于内容的协同过滤推荐

3.2基于模型的协同过滤推荐

3.3协同过滤存在的问题与挑战

3.4本章小结

第四章 协同过滤算法的改进

4.1基于矩阵分解的邻居算法

4.2引入信任度的协同过滤算法

4.3相关算法的代码描述

4.4本章小结

第五章 基于遗传算法的特征选取以及参数优化

5.1 MovieLens

5.2电影推荐中的特征选取

5.3基于遗传算法的参数优化模型

5.4实验与分析

5.5本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

致谢

攻读学位期间的研究成果