论文部分内容阅读
随着互联网技术与移动通信技术的发展,各行各业都积极地将自身的业务与互联网平台相结合,形成“互联网+”的新局面。人们享受着互联网平台方便快捷的同时,也迷失在由它带来的海量数据之中。如何从海量数据中快速找到对自己有价值的信息成为当前人们面临的主要难题。推荐系统被认为是解决这一问题最有利的工具。 在推荐系统中,推荐算法是其最主要的组成部分。在现有的推荐算法中,协同过滤算法广受研究,且使用也最为广泛。本文在充分分析现有的基于相似度的协同推荐算法的基础上提出了一种新颖的相似度计算方案,同时利用遗传算法训练一个权重向量,获得一个适合的相似度计算公式,从而提出了基于遗传算法的协同过滤推荐系统。 相似度计算方案是基于相似度的协同过滤推荐算法的关键点。一旦确定了相似度计算方案,下一步则根据相似度方案得出的相似度值找到目标对象(用户,或物品)的邻居,即最相似的对象。本文在分析总结现有的最常用的相似度方案后,发现这些相似度大都忽略了用户的个性化评分习惯这一因素,有的用户比较苛刻,评价总体较低,然而有的用户比较宽容,评价比较高。为了缓解这个问题,本文将用户的个体评分均值与方差充分利用到物品的相似度计算方案中,获得一系列相似度计算方案,并以物品间的相似度为例进行说明。此外,本文利用遗传算法在这个相似度计算方案集合中找到一个合适的相似度方案,提出了基于遗传算法的协同过滤推荐算法。最后,本文通过在三个公开的真实数据集上,以余弦相似度,调整余弦相似度,皮尔逊相似度等方案为参照对象,做了一系列对比实验来验证该方案的有效性。实验结果表明,本文提出的基于遗传算法的协同过滤推荐算法在准确度,召回率等指标上有了明显的提高。