论文部分内容阅读
随着信息技术和互联网技术的飞速的发展以及信息资源的不断膨胀,在这个信息过载的时代里,无论是信息的生产者还是信息的消费者都遇到了前所未有的挑战:一方面由于信息的消费者想从大量的信息中找到自己感兴趣的信息是一件非常困难的事情;而另一方面对于信息的生产者来说,如何让自己生产的信息从大量的信息中脱颖而出,同样也是一件非常困难的事情。个性化推荐系统就是为了解决这一问题而产生的重要工具。近些年,个性化推荐系统也得到了空前的高速发展,推荐系统被广泛的运用到电子商务网站中。个性化推荐系统是电子商务网站的重要组成部分,它相当于传统商业中的销售人员的角色。个性化推荐系统中最为成功的技术就是协同过滤推荐技术,它简单并且高效,得到了广泛的认同与应用。然而协同过滤技术也有缺点和不足,如数据稀疏问题、冷启动问题和可扩展问题,这些问题往往会导致推荐系统的推荐质量下降。
本文首先从个性化推荐系统基本理论着手,阐述了个性化推荐系统的概念和整体框架结构,对常见的几种个性化推荐算法和个性化推荐算法的评价方法进行了分析和比较。对协同过滤算法进行了研究,描述了传统协同过滤算法的概念、分类和实现流程。阐述了传统的基于用户和基于项目的协同过滤算法的一些不足,并根据这些不足提出了改进的协同过滤算法,改进的协同过滤算法主要在相似性的计算以及评分预测两个方面进行了改进,对相似性的计算公式进行了修正,可以有效缓解数据稀疏问题,在评分预测方面将传统的基于用户的协同过滤算法和传统的基于项目的协同过滤算法的评分预测进行了结合,可以在一定程度上解决冷启动问题。详细介绍了改进算法的流程步骤。根据上述的改进的协同过滤算法,设计实验,用平均绝度误差MAE进行验证,与传统的协同过滤算法进行了对比验证。
本文首先从个性化推荐系统基本理论着手,阐述了个性化推荐系统的概念和整体框架结构,对常见的几种个性化推荐算法和个性化推荐算法的评价方法进行了分析和比较。对协同过滤算法进行了研究,描述了传统协同过滤算法的概念、分类和实现流程。阐述了传统的基于用户和基于项目的协同过滤算法的一些不足,并根据这些不足提出了改进的协同过滤算法,改进的协同过滤算法主要在相似性的计算以及评分预测两个方面进行了改进,对相似性的计算公式进行了修正,可以有效缓解数据稀疏问题,在评分预测方面将传统的基于用户的协同过滤算法和传统的基于项目的协同过滤算法的评分预测进行了结合,可以在一定程度上解决冷启动问题。详细介绍了改进算法的流程步骤。根据上述的改进的协同过滤算法,设计实验,用平均绝度误差MAE进行验证,与传统的协同过滤算法进行了对比验证。