基于耦合相似度的協(xié)同過濾算法的研究及應用.pdf

1、Internet和E-Commerce的快速發(fā)展帶動了互聯(lián)網(wǎng)+的蓬勃興起，推薦系統(tǒng)獲得越來越多的關注。隨之專家學者們把研究方向轉(zhuǎn)向如何進一步提高推薦系統(tǒng)的推薦性能，于是，各種優(yōu)秀的算法和模型被提出、測試、投入應用。自Yehuda等人在Netflix百萬大獎的比賽中首次將矩陣分解的想法用于做推薦取得了較好的結(jié)果，自此，做為一個新的研究方向，近年來專家學者們也提出了很多改進和完善，基于基礎模型的改進大都是利用額外的信息，如打分偏差、隱式反饋

2、、時間因素、信任傳播等。我們發(fā)現(xiàn)，傳統(tǒng)的矩陣分解模型中往往只借助用戶-物品的評分數(shù)據(jù)集，沒有將用戶和物品特征屬性信息考慮在內(nèi)。用戶和物品的特征屬性信息包含用戶跟物品的大量有效信息，也可以為個性化推薦所利用，本論文的主要想法是在傳統(tǒng)的協(xié)同過濾算法的基礎上將用戶、物品的特征屬性信息考慮在內(nèi)，用以提高系統(tǒng)的推薦精度。Breese等人將協(xié)同過濾算法分為:基于內(nèi)存的算法和基于模型的算法，本論文分別針對這兩類算法，提出基于耦合相似度的協(xié)同過濾的改進

3、算法。
　　觀察用戶和物品的特征屬性信息，我們可以發(fā)現(xiàn)不只有數(shù)值的類型，還有非數(shù)值的類型，對此，引入耦合相似度的概念，利用用戶特征、物品特征的屬性值信息借助耦合相似度的概念，依據(jù)用戶行為信息，建立用戶、物品相似度的模型，將相似性信息與協(xié)同過濾算法相結(jié)合，挖掘潛在信息以提高推薦精度，并提出相應的算法，并在MATLAB軟件下用真實數(shù)據(jù)集做實驗，并于其他的推薦技術進行比較，表明本論文提出的改進算法的有效性以及在“冷啟動”和“稀疏性”的情

4、況下還可以保證較高的推薦精度。
　　本論文安排如下:第一章緒論是關于本文的研究背景，國內(nèi)外研究現(xiàn)狀，主要研究內(nèi)容以及行文安排的介紹;第二章簡要介紹了協(xié)同過濾算法的相關知識;第三章在基于內(nèi)存的協(xié)同過濾算法的基礎上結(jié)合用戶、物品的特征屬性信息給出了改進算法，并在真實數(shù)據(jù)集下表明該算法的有效性以及實驗結(jié)果的分析和比較;第四章給出了基于矩陣分解的推薦算法的改進算法，并在真實數(shù)據(jù)集下表明提出的改進算法的有效性以及實驗結(jié)果的分析和比較，探討算