基于有限混合模型的協(xié)同過濾算法研究.pdf

1、在信息互聯網高度發(fā)達的今天，解決信息過載問題已經成為互聯網技術發(fā)展的方向之一。如何從網絡海量信息中獲取有價值的信息是研究信息過載問題的關鍵，而個性化推薦作為解決此問題的關鍵技術，具有重要的學術意義和應用價值。協(xié)同過濾以及協(xié)同過濾的各種衍生算法以其不依賴于信息的具體內容、易于實施、可以產生新異推薦等特性被大量的互聯網企業(yè)所采用，并成為一個學術研究熱點。針對基于存儲的Slope One模型的準確度和擴展性缺陷問題，本文研究基于模型的協(xié)同過濾

2、算法，以有限混合模型為基礎，結合傳統(tǒng)Slope One協(xié)同過濾技術，探索新型個性化推薦方法，具體包括以下研究內容:
　　首先，介紹了有限混合模型的統(tǒng)計學原理、概念和特點，詳細推導其求解的算法;介紹了個性化推薦的基礎概念與發(fā)展現狀，分析協(xié)同過濾算法的幾個常用方法的優(yōu)缺點，以及有限混合模型在協(xié)同過濾上應用的優(yōu)勢，總結了近年來國內外學者們所做的相關工作。
　　其次，本文利用多項式有限混合模型對數據集進行基于模型的聚類，通過引入最小

3、信息長度法則（minimal message length criterion，MML）以縮小有限混合模型的求解迭代次數，并將聚類結果應用于Slope One平均評分偏差的改良上，從而改善了Slope One算法由于缺乏用戶相似考慮導致的準確度問題。同時由于將整個推薦方案分為離線聚類和在線推薦兩部分，極大地改進了Slope One的可擴展性。使用標準數據集進行模擬實驗，評估新算法的準確度與效率指標，相比于標準的Slope one和基于用