论文部分内容阅读
随着电子商务的蓬勃发展,推荐系统正逐渐渗透人们的日常生活,并不断改善用户的在线体验。协同过滤作为推荐系统中使用最成功应用最广泛的技术,得到了越来越多的关注和研究。本文针对协同过滤推荐技术中数据稀疏导致的预测评分精度低以及冷启动问题提出了相应的解决方法,具体的研究内容如下。 本文首先分析了协同过滤推荐系统的研究现状,并对协同过滤推荐系统的分类和方法进行了较为详细的描述,针对协同过滤推荐系统面临的问题,总结了研究人员提出的相应的改进策略以及不足之处。 其次,针对数据稀疏导致的评分预测精度不高的问题,通过分析用户-项目评分的上下文关系,引入了奇异值的概念。考虑每个项目评价数量的比例以及用户共评项目的比例,分别将传统的皮尔森相似度(PCC)算法和 Jaccard算法进行了改进,并将两种改进的方法以两种方式相结合,以得到更好的推荐算法。 再次,针对冷启动的问题,引入信任信息。根据用户相似度重新设置信任矩阵中的信任值,即去掉信任矩阵中相似度低于某一阈值的信任关系并将相似度高于某一阈值的用户对应的信任关系添加到信任矩阵中,并利用信任的传递性,通过加权的信任传播,以此找到更多的信任邻居,同时还可以对不同距离的信任邻居进行区分,以期通过这种方法解决冷启动问题并提高预测精度。 最后,将本文提出的两种算法,即基于奇异值的协同过滤推荐算法和重组信任矩阵的协同过滤推荐算法,分别在两个数据集中进行验证。实验结果表明两种算法能够明显提高评分预测精度,并有效解决冷启动问题。