个性化推荐技术中的协同过滤算法研究.pdf

⋯一一一夏培勇谨以此论文献给所有关心和帮助过我的人
工歪垃兰砸钪希和学位论文完成日期:指导教师签字:答辩委员会成员签字:
学位论文作者签名:骟学位论文作者签名:藿谆岛签字日期:暌辆睢?諨稠口扣年。铜学位论文版权使用授权书独创声明≤洼;垫逡直墓丝重要挂别直明数:奎拦亘窒蚱渌逃沟难换蛑な槭签字日期:≥本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含未获得用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。本学位论文作者完全了解学校有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅。本人授权学校可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》,并通过网络向社会公众提供信息服务。C艿难宦畚脑诮饷芎笫视帽臼谌ㄊ导师签字:签字日期:、、疛
个性化推荐技术中的协同过滤算法研究捅要地缓解用户评分稀疏的问题。而后在衡量用户相似性时,综合考虑用户评分的相随着网络与信息技术的飞速发展,互联网为用户提供越来越多的信息和服务,用户在得到便利的同时也不得不面临大量的垃圾信息和无意义数据,即所谓的信息超载问题。面对海量的网络资源,个性化推荐系统能够及时跟踪用户的需求变化来自动调整信息服务的方式和内容,是一种极具潜力的解决信息超载的服务技术。协同过滤技术是目前推荐系统中最成功和应用最广泛的技术,在理论研究和实践中都取得了快速的发展,它根据用户的历史选择信息和相似性关系,收集与用户兴趣爱好相同的其他用户的评价信息来产生推荐。然而,传统的协同过滤算法面临数据稀疏、用户相似性难以度量、实时性和可扩展性差等方面的挑战,影响了推荐系统的质量。本文针对这些问题,对协同过滤算法进行了相应的改进,主要工作如下:针对传统相似性度量方法在用户数据稀疏和小邻居集下度量不准确问题,提出了一种基于信息熵的相似性度量方法。该算法首先计算用户间评分的差异,而后通过该差异的加权信息熵来衡量用户评分的相似程度;同时在计算用户相似度时还考虑用户间共同关注圈的大小,用户关注圈交集越大,相似性权重越大。实验结果表明,在数据稀疏程度不变的情况下,该相似性度量方法缓解了传统方案在稀疏数据和小邻居集下的相似度度量不准确问题,提高了推荐的精度。,引入项目属性信息,提出了一种基于评分相似性和项目属性相似性的混合协同过滤算法。首先,通过项目属性信息设计了一种基于项目属性偏好的用户相似性度量方法,该方法符合用户间的真实关系,同时也能够有效似性和用户对项目属性偏好的相似性,并通过一个权值纯刂屏秸叩闹匾3度;实验结果表明,在不同稀疏程度的数据上,该算法获得了比传统相似性计算方法更好的推荐精度,且数据越稀疏性能提升越明显。针对基于内存的协同过滤算法在线计算量较大且可扩展性较低的缺点,提出了一种基于卣筇畛浼际醯腒聚类协同过滤算法。传统的基于
Ⅱ
瑃畁粃..,琣..,.,.’.,痠.,.琣.
瓻甒’埘.,,,琣瑆.,弱’:珻.