基于权重调节的矩阵补全协同过滤算法研究

作     者：贺嘉楠 

作者单位：吉林大学 

学位级别：硕士

导师姓名：董立岩

授予年度：2016年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：权重调节 矩阵补全 协同过滤 推荐精度 

摘      要：随着互联网技术和信息技术的蓬勃发展,个性化推荐技术的研究势如破竹,而作为个性化推荐系统中最著名,也是被研究最多的协同过滤推荐算法,现在以及将来的一段时间内,都将成为电子商务系统领域重要的研究方面。但是伴随着应用范围的扩大和应用环境的变化,加上实际网站中对推荐精度和推荐效率的严苛要求,协同过滤算法的一些缺点也显现出来。其中比较典型的有推荐实时性问题、新用户或新项目的冷启动问题、推荐结果的准确性问题等等。传统的协同过滤算法是在计算两个用户或者两个项目之间的相似性时,都是直接通过对已有的评分信息进行处理,得出用户和用户（项目和项目）之间的相似度。很少考虑评分以外的其他信息对相似度的影响。而基于协同过滤的改进算法应该尽可能多地利用系统中已有的信息来预测更加贴近目标用户兴趣的推荐结果,这样综合了多方面因素的考量可以有效地提高算法结果的准确率。本文是在协同过滤的研究基础之上,添加了针对于评分的时间因素的考量以及项目本身属性类别的考量,来有效地提高系统算法的准确度。具体工作如下:首先,通过分析考虑时间因素对协同过滤算法的影响,将用户对项目评分时的时间值融入到用户对项目的评分中,即对原数据集中用户对项目的评分值进行时间上的权值修正,提出考量时间因素对原数据集中的评分进行修正的协同过滤。其次,利用传统的协同过滤算法在计算项目的相似度的时候,仅仅考虑到用户对项目的评分信息,而没有考虑项目本身的分类属性信息对相似度的影响。因此本文将项目之间的属性差异度融入到计算项目之间的相似度公式中,并以此为影响力因子作为对目标用户预测结果的修正。最后,将改进算法应用到Movie Lens数据集上,设计实验,首先对比用余弦相似度公式和pearson相关系数公式计算项目间相似度,找到绝对误差率MAE较小的那个;然后将融合时间衰减曲线的评分修正和基于项目自身属性标签的权值调节分别与未进行改进的协同过滤算法进行推荐结果的比较,证明了算法的改进可以有效的提高系统的推荐正确率和推荐精准率。