基于相关度和关联属性偏好的个性化推荐算法研究

论文摘要

互联网发展已产生大量的可用的信息并且让消费者有诸多选择。个性化推荐系统的帮助用户从大量信息中挑选感兴趣的信息。利用用户对资源的评价来计算用户之间的相似性,然后利用相似用户对资源的评价来预测当前用户对资源的喜好程度。在现实生活中,人们经常会根据身边的人的推荐选择商品或电影。基于这一思想,协同过滤被用于网络信息服务中,利用有相似爱好的邻居对某一项的评价对目标作推荐。目前协同过滤算法已广泛应用在书籍、电影、音乐等各种网上推荐系统。Group lens、Ringo Amazon等用的都是此类推荐。本文先利用基于协同的方法,从评分的角度做了两点改进。首先,随着用户数量增多,传统推荐算法复杂度变大,推荐实时性受到严重影响。因此我们采用云模型思想,先找出与目标用户云特征相似用户,减少了邻居的搜索范围,提高了推荐效率。其次,传统算法中,评分数据的稀疏,共同评分项数目的稀少使用户间相似性计算缺乏可信性。针对此问题,提出相关度的概念,在找邻居之前,先找到与目标有一定数量的共同评分项的用户,再次缩小了搜索范围。从而保证了用户间一定的相关性,使求得的用户间相似性具备更高的可信性。实验结果表明,该方法不仅提高了推荐效率,同时具有较高的推荐精度。其次,利用基于内容的方法,从用户偏好角度对传统方法做了两点改进。首先,传统方法定性的分析用户偏好。对此,我们做了改进,将用户评价过的电影按评分更具体的分类,作为用户的偏好模型。根据待测项属性利用贝叶斯概率计算其在各类的隶属,结合各类对应评分,定量的分析用户对项目的偏好。其次,传统方法将项目属性做独立研究,分析用户是否喜欢该属性,而现实中人对项目属性的喜爱存在一定关联性,如用户喜欢同时具有科幻和爱情属性的电影。基于此我们研究了用户对两属性的偏好,以此预测关联属性偏好(AP)评分。考虑影响用户评分的多因素性,单纯依靠偏好较难准确预测真实评分。我们同时考虑了共众评分的影响,将关AP评分和公众评分加权预测最终评分。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景和意义
• 1.2 国内外研究状况
• 1.3 论文的内容和结构
• 1.3.1 论文的内容
• 1.3.2 论文的结构
• 2 相关技术介绍
• 2.1 协同过滤算法分类及介绍
• 2.2 传统算法存在的问题
• 2.3 本章小结
• 3 基于相关度的协同过滤算法研究
• 3.1 传统协同过滤算法步骤
• 3.2 传统协同过滤算法的分类及存在问题
• 3.3 算法原理和步骤
• 3.3.1 算法原理
• 3.3.2 算法步骤
• 3.4 实验与结果分析
• 3.4.1 实验数据集
• 3.4.2 评价标准
• 3.4.3 实验结果与分析
• 3.5 本章小节
• 4 基于关联属性偏好的个性化推荐算法研究
• 4.1 个性化推荐系统概述
• 4.2 电子商务推荐系统分类
• 4.3 传统方法在偏好角度上的缺陷
• 4.3.1 基于评分的在偏好角度上的缺陷
• 4.3.2 基于内容的在偏好角度上的缺陷
• 4.4 基于关联属性偏好的个性化推荐算法
• 4.4.1 算法原理
• 4.4.2 算法步骤
• 4.5 实验与结果分析
• 4.5.1 实验数据
• 4.5.2 影响评分因素实验
• 4.5.3 实验结果
• 4.6 本章小节
• 结论
• 参考文献
• 攻读硕士学位期间论文发表情况
• 致谢