论文部分内容阅读
随着电子商务网站中商品数量和种类的增多,消费者需要花费更多的时间进行商品的筛选,这种信息过载的现象困扰着人们对有效信息的选择。为了解决以上难题,推荐技术进入了人们的生活,协同过滤推荐是应用最广泛的推荐技术。然而随着网络人群数量日益增长,协同过滤推荐系统中的数据变得越来越稀疏,这将影响用户间的相似度计算精度,使得将大量的用户群体聚类成不同的群组变得困难,影响近邻用户的选择。同时近邻群组的好坏会对推荐系统的推荐效率产生较大影响。针对上述情况,本文从如何改善聚类、缓解数据稀疏问题和计算用户相似度方面着手,对推荐系统进行研究,以提升推荐系统的推荐质量。 首先,针对K-means依靠距离聚类存在局限性进而导致相似用户不能聚集到同一群组,影响推荐质量的问题,提出一种基于深度置信网络的协同过滤推荐算法。该算法根据用户和项目评分矩阵构建用户的特征矩阵;然后采用深度置信网络对用户特征进行训练,根据得到的顶层神经元概率进行用户聚类操作;再计算目标用户与所在群组内用户间的关联度;最后,选取相似度较高部分的用户为目标用户进行相关推荐。 其次,针对传统协同过滤推荐算法的数据稀疏性问题和相似性计算存在的缺陷,提出一种融合评分偏离度的深度置信网络推荐算法。该算法首先使用深度学习的深度置信网络对用户进行聚类操作;然后使用评分偏离度相似度计算公式计算同一群组内用户间的关联度;最后,使用同一群组内与目标用户的相似度较高用户实施推荐。 最后,对本文提出的算法进行实验考证,并与相关算法进行实验对比,分析实验结果。