论文部分内容阅读
随着互联网技术和电子商务技术的快速发展,与日俱增的交易、事务得以在网上完成。伴随着的是产生了巨量数据,这些数据是研究用户行为、挖掘深层次信息的巨大财富。这些数据除了具有数据量巨大的特征之外,同时还有数据缺失、不规范,不便于直接分析的特点。为了处理这些数据,推荐算法得到了越来越多的应用研究,其中以协同过滤算法最具研究代表性。随着推荐系统的广泛使用,系统的缺点也不断暴露出来,如数据稀疏,可扩展性差等问题。本文为了解决推荐系统中存在的问题,特别是数据稀疏和可扩展性差的问题,提出了一种基于矩阵分解和聚类的推荐算法。同时为了考虑项目的评价时间对推荐结果的影响,提出了一种时间模型,并将该模型结合到评分预测算法中。实验证明,这两种算法均可以提高推荐算法的性能和推荐质量。本文做的一些研究工作如下:(1)针对数据稀疏、可扩展性差问题,本文提出了一种基于SVD和用户聚类的协同过滤推荐算法。首先对稀疏的评分矩阵的空缺值进行填补。然后对系统中“肥尾效应”的数据进行删除以保证数据质量。在计算相似度时,考虑用户的隐式信息相似性对整体相似性的影响,以保证在相似性计算上结果更为准确。(2)分析了时间因素对推荐结果的影响。在基于用户特征的评分预测中将用户按照年龄、性别和职业进行聚类,然后提出了一种时间影响函数,该函数可以提高近期评分的权重。在基于项目的评分预测中按照项目进入系统的时间,将项目进行聚类。提出增加权值Lu,i来区别对待不同时间属性内的项目评分预测。最后将两种评分预测方法结合起来,综合考虑基于用户和基于项目的融入时间因子的评分预测值计算方法,使得评分预测值更加准确和富有说服力。(3)实验部分使用在MovieLens数据集上验证算法的性能。在基于SVD和用户聚类的实验中对比分析了与其他传统协同过滤算法的差异。验证了该算法在处理数据稀疏和可扩展性问题上效率更高。在融入时间因子的算法实验中,验证了该算法进一步提升了准确率和覆盖率。