隨著信息時代的到來,海量的信息充斥著現(xiàn)在的社會生活,這對信息的生產(chǎn)者和用戶來說都是一項巨大的挑戰(zhàn)。推薦系統(tǒng)的產(chǎn)生為解決這個問題提供了有效的解決辦法,作為信息生產(chǎn)者與用戶之間的橋梁,它能夠為用戶篩選有價值的信息,同時也能夠幫助信息生產(chǎn)者把自己的信息推廣到對它感興趣的用戶面前。推薦系統(tǒng)的產(chǎn)生離不開協(xié)同過濾算法的發(fā)展,協(xié)同過濾算法是目前應(yīng)用較為廣泛的推薦算法。雖然目前協(xié)同過濾算法已經(jīng)被應(yīng)用到許多電子商務(wù)網(wǎng)站的推薦系統(tǒng)當(dāng)中,但是仍然存在一些有待解決的問題。本文針對協(xié)同過濾算法中相似度計算未考慮實際場景影響的問題,對相似度計算方法做出了如下的改進:首先,提出了基于用戶偏好的相似度計算的改進辦法。本文針對熱冷門物品對相似度計算的影響,采用熱門物品懲罰因子來減少熱門物品在相似度計算中所占的比重,并將這種因子引入到余弦相似度計算當(dāng)中;考慮到用戶共同評分項目數(shù)量對兩用戶相似度的影響,我們采用杰西卡相關(guān)度計算與改進的余弦相似度計算相結(jié)合的方式來進行用戶相似度計算。其次,提出了基于項目關(guān)聯(lián)的相似度計算的改進辦法。針對傳統(tǒng)的相似度計算只考慮項目評分,從而導(dǎo)致項目相關(guān)度計算不合理的問題,我們采用了項目的評分相似... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于內(nèi)容的推薦算法示意圖

第二章推薦算法及相關(guān)概念介紹9圖2.2基于用戶的協(xié)同過濾黑色實線表示用戶對該內(nèi)容感興趣，黑色虛線則表示系統(tǒng)將該內(nèi)容推薦給某用戶。如上圖所示，用戶A喜歡內(nèi)容1，內(nèi)容4；用戶C則對內(nèi)容1，內(nèi)容2，內(nèi)容4。從這些用戶的歷史行為數(shù)據(jù)中，可以得出用戶A和用戶C的具有相似的喜好，由此可以推斷出用戶A可能對內(nèi)容2也會感興趣，所以我們可以把內(nèi)容2推薦給用戶A。傳統(tǒng)的UserCF的實現(xiàn)過程可以分為以下三個步驟：（1）首先，根據(jù)用戶與系統(tǒng)的交互行為，可建立用戶-項目評分矩陣。用戶的歷史行為數(shù)據(jù)會有很多種，包括：對內(nèi)容的評分，瀏覽歷史，收藏夾，點贊等，本文通過用戶對項目的評分數(shù)據(jù)進行舉例說明，來介紹UserCF算法的計算過程，用戶-項目評分矩陣如下表2.1：表2.1用戶-項目評分矩陣項目1項目2項目3項目4用戶A3004用戶B0050用戶C3403（2）通過上述的用戶-項目評分矩陣中用戶對項目的評分數(shù)據(jù)，再結(jié)合上述的相似度計算方式，確定偏好相似的用戶集，常用的相似度計算方法已經(jīng)在本文的2.2.1章節(jié)給出了詳細介紹。（3）根據(jù)用戶的相似度，可以得出目標(biāo)用戶的最近鄰居KNN，推薦給目標(biāo)用

第二章推薦算法及相關(guān)概念介紹10戶。KNN篩選的常用方式有兩種：第一種是通過設(shè)置用戶相似度的閾值，相似度大于該閾值，我們認為兩用戶為興趣相似用戶，否則，認為兩用戶不是興趣相似用戶，通過設(shè)置閾值過濾掉不相關(guān)的用戶群；第二種，是通過找到Top-N的用戶，得到“鄰居”用戶群，這種方法，是通過對相似度的值進行排序，從高到低取N個鄰居用戶。根據(jù)具體情況可以選擇合適的策略得到最近鄰居KNN。2.1.2.2基于項目的協(xié)同過濾基于項目（Item）的協(xié)同過濾，主要更多考慮的是項目之間的聯(lián)系，通過確定相似的項目集合，再根據(jù)用戶在系統(tǒng)中的行為信息，尋找與用戶曾經(jīng)購買過或者瀏覽過的內(nèi)容，來為用戶推薦用戶感興趣的內(nèi)容。該算法原理如圖2.3所示：圖2.3基于項目的協(xié)同過濾黑色實線表示用戶對該內(nèi)容感興趣，黑色虛線則表示系統(tǒng)將該內(nèi)容推薦給某用戶。如圖所示，我們可以看出用戶A對內(nèi)容1，內(nèi)容3感興趣；用戶B對內(nèi)容1，內(nèi)容2，內(nèi)容3；用戶C對內(nèi)容1感興趣。從用戶的歷史喜好信息中，可以得出對內(nèi)容1感興趣的用戶都對內(nèi)容3感興趣，內(nèi)容1和內(nèi)容3具有相似性，所以系統(tǒng)將會把內(nèi)容3推薦給用戶C。基于項目（Item）的協(xié)同過濾算法的推薦過程可以分為以下三個步驟：（1）首先，根據(jù)用戶的歷史行為數(shù)據(jù)，構(gòu)建項目-用戶行為矩陣，用戶的操作行為可以包括：瀏覽記錄，收藏記錄，瀏覽時長等。還是以用戶對項目的評分舉例，構(gòu)建項目-用戶行為矩陣如下表2.2：


本文編號：3477410