協(xié)同過濾中數(shù)據(jù)稀疏問題與推薦實時性的研究.pdf

1、數(shù)據(jù)爆炸的現(xiàn)今使得推薦系統(tǒng)技術變得越來越熱門，越來越重要，幾乎所有的電子商務網(wǎng)站以及部分門戶網(wǎng)站，甚至是搜索引擎都有推薦系統(tǒng)相關技術的身影?？偨Y其中的原因，一是在唾手可得的海量信息里，人們所期望獲得的卻是其中極小的一部分；二是人們期望獲得的信息里有一些潛在的偏好，利用這些偏好可以做更多的事情。推薦系統(tǒng)的發(fā)展非常迅速，它分為協(xié)同過濾，基于知識的推薦，混合推薦等等，而各種類別的推薦算法下又有很多成熟的技術。協(xié)同過濾一直是這其中的研究最多的技

2、術，同時也是在電子商務有著廣泛應用的技術之一。典型的協(xié)同過濾，通過維護一個評分者—物品評分矩陣，計算相似度確定近鄰來產(chǎn)生推薦。
　　不幸的是，這種算法的性能隨著用戶和商品的增加會產(chǎn)生很多問題：高維度，高稀疏度。此二者對于該技術在電子商務網(wǎng)站的應用產(chǎn)生巨大挑戰(zhàn)。本文著眼于此，提出或改進了若干方法，以解決數(shù)據(jù)稀疏問題和推薦實時性。
　　對于數(shù)據(jù)稀疏問題，主要對外部信息做適當提取，計算其Jaccard相似度產(chǎn)生預測值，并將預測值有

3、節(jié)制地填充至測試集，以此來提高傳統(tǒng)推薦技術的準確性。具體的，評分外的信息，如：用戶的年齡、職業(yè)，物品的類別等，通過Jaccard相似度做初步調(diào)整，再與經(jīng)典協(xié)同過濾得到的最近鄰相似性進行加權，通過多組具體的實驗，確定了較為理想的權重系數(shù)。在這樣權重下，我們得到的結果相對基準實驗有了一些提高。
　　對于實時性的解決，我們引入聚類中的簇代表點技術(CURE，Clustering Using Representatives)，主要是將搜尋