基于項目的協同過濾算法的改進.pdf

1、隨著Internet技術的飛速發(fā)展，信息的規(guī)模呈爆炸式增長。人們在享受豐富的信息資源同時，也面臨著難以快速的從海量信息資源中尋找出自己需要的信息的困擾。為了幫助人們快速高效地從海量信息中找到符合自己需求的信息，推薦系統(tǒng)應運而生。推薦系統(tǒng)是一種重要的信息過濾工具，它可以在用戶不顯示表達自己信息需求的情境下，根據用戶以往瀏覽網頁時留下的評分和評論等歷史行為數據，主動向用戶提供信息推送服務。推薦系統(tǒng)的核心構件是推薦算法，目前使用最為成功的推薦

2、算法是協同過濾算法，然而，該算法目前仍然面臨著諸多的挑戰(zhàn)，如使用的評分矩陣的稀疏性問題，算法的可擴展性問題，推薦結果的實時性問題等。在協同過濾算法中，基于項目的協同過濾算法一般會表現出相對更好的性能，因此本文也是基于該算法展開的研究。
　　基于項目的協同過濾算法運行過程中，最關鍵的步驟就是項目近鄰集合的搜索。由于算法運行過程中所使用的用戶-項目評分矩陣異常稀疏，導致項目近鄰搜索的準確性一直受到很大的限制，盡管目前也有很多現有項目相

3、似度計算模型已經能夠較好緩解由于近鄰搜索的不準確問題而造成的推薦不準確問題，但是仍然有一些沒有考慮到的因素。本文基于對現有的一些相似度計算模型進行深入研究分析的基礎上，提出一種新的綜合項目相似度計算模型，然后再通過引入聚類思想，對傳統(tǒng)的協同過濾算法進行改進，從而在保證近鄰搜索準確度的情況下加快近鄰的搜索過程。
　　在建立的新的項目相似度計算模型時，本文綜合考慮了用戶的相似喜好信息、共同評分信息、項目平均得分的差異性信息和以及用戶評

4、分的敷衍性等因素，從而提出了本文的JAVWeightedModel；由于JAVWeightedModel項目綜合相似度模型計算的時間復雜度較高，本文為了加快近鄰的搜尋的過程，又引入了K-Center聚類算法，并將JAVWeightedModel模型融入到K-Center聚類過程中，最后使用改進后的K-Center算法對協同過濾算法進行改進，從而在盡可能保證項目近鄰搜索準確度的前提下，進一步提高近鄰的搜索速度。
　　最后通過在不同規(guī)