協同過濾推薦算法的若干問題研究.pdf

1、推薦系統通過預測用戶對項目的喜好程度來為用戶進行信息過濾，應用知識發(fā)現技術來生成個性化推薦。協同過濾是一種常用的減少信息過載的技術，已經成為了個性化推薦系統的一種主要工具，被廣泛應用于電子商務網站的推薦系統。但隨著系統結構、內容的復雜度和用戶人數的不斷增加，協同過濾技術的一些缺點逐漸暴露出來，主要有精確性、數據稀疏性、冷啟動、可擴展性和安全性問題。 協同過濾算法主要分為基于內存的協同過濾和基于模型的協同過濾兩類，這兩類算法的典型

2、代表分別為最近鄰協同過濾算法和基于奇異值分解的算法，前者因其簡單適用而被廣泛應用于電子商務推薦系統，卻通常因數據的極度稀疏性和相似度度量方法的弊端導致算法的精度下降。后者則通過矩陣奇異值分解的降維技術一定程度解決了數據稀疏性問題，然而目前國內對該算法的安全性研究較少。本文將分別以上述兩種算法為載體，研究算法的數據稀疏性問題和安全性問題。 為解決協同過濾算法中數據稀疏性問題和傳統相似度度量方法的弊端，本文研究了最近鄰協同過濾算法在

3、不同的稀疏性問題解決方案下各相似度方法的優(yōu)化對算法性能的影響。通過實驗對現有的各種常用相似度進行了基于用戶評分項目并集和基于相關加權因子的優(yōu)化，分別確定了基于稀疏評分矩陣、缺省評分矩陣和奇異值分解(SVD)預測評分矩陣的最近鄰算法中的最優(yōu)相似度方法，有效地提高了各情況下算法的推薦精度。 為解決協同過濾推薦系統遭受的欺詐攻擊帶來的安全性問題，本文研究了典型的基于奇異值分解的協同過濾算法的抵御攻擊的能力，通過設計不同規(guī)模和攻擊意圖的