基于用戶興趣和項(xiàng)目特性的協(xié)同過濾推薦算法研究.pdf

1、信息過載是信息時(shí)代信息量過于豐富帶來的嚴(yán)重負(fù)面問題之一。隨著電子商務(wù)的飛速發(fā)展，電子商務(wù)網(wǎng)站提供大量的商品。過量的信息嚴(yán)重干擾了用戶對商品的精確選擇。為了在一定程度上解決商品信息過載的問題，人們提出了推薦算法。協(xié)同過濾是應(yīng)用最廣泛的一類推薦算法。在實(shí)際應(yīng)用環(huán)境中，用戶并不會(huì)對每一個(gè)項(xiàng)目進(jìn)行評分。用戶評價(jià)過的項(xiàng)目數(shù)量往往占項(xiàng)目總數(shù)的比例很小，這就導(dǎo)致了用戶-項(xiàng)目評分矩陣極其稀疏。在評分矩陣極其稀疏的情況下，協(xié)同過濾推薦算法無法識別部分相似

2、用戶，也無法推薦剛加入系統(tǒng)的新項(xiàng)目。
　　 為了解決評分矩陣過于稀疏帶來的問題，本文從項(xiàng)目特性和用戶興趣兩個(gè)方面分別提出了改進(jìn)的協(xié)同過濾推薦算法:基于項(xiàng)目特性的協(xié)同過濾推薦算法(CFBIF)和基于用戶興趣的協(xié)同過濾推薦算法(CFBUI)。CFBIF算法從推薦項(xiàng)目的特性中提取有效信息進(jìn)行改進(jìn)。在電子商務(wù)網(wǎng)站中，推薦項(xiàng)目有各種外觀、功能和類型屬性。擁有相同特性的項(xiàng)目往往會(huì)有近似的評分值。CFBIF算法構(gòu)造一種結(jié)合項(xiàng)目屬性和項(xiàng)目評分兩

3、個(gè)方面特性的綜合相似度計(jì)算方法，然后基于項(xiàng)目綜合相似度對評分矩陣中的未知評分進(jìn)行預(yù)測填充。該算法增加了用戶-項(xiàng)目評分矩陣的數(shù)據(jù)密度，緩解了用戶-項(xiàng)目評分矩陣稀疏性帶來的問題。CFBUI算法從用戶興趣中提取有效信息進(jìn)行改進(jìn)。用戶對項(xiàng)目的評分蘊(yùn)含了用戶的興趣模式。被同一個(gè)用戶評價(jià)過的項(xiàng)目之間存在興趣關(guān)聯(lián)。由于個(gè)人的興趣會(huì)遷移，所以興趣關(guān)聯(lián)強(qiáng)度會(huì)隨著時(shí)間逐漸變化。CFBUI建立隨時(shí)間衰減的興趣度模型，并通過興趣模型挖掘項(xiàng)目之間的興趣關(guān)聯(lián)，進(jìn)而