混合协同过滤推荐算法研究

作     者：程相智 

作者单位：北京工业大学 

学位级别：硕士

导师姓名：何东之

授予年度：2017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：相似度 协同过滤算法 Slope One算法 混合推荐 

摘      要：随着互联网技术的快速发展,人类已经进入了信息时代。人们在快速分享信息的同时,不得不面临由于信息暴增带来的信息过载问题。为了有效地解决该问题,推荐系统得到了快速地发展,通过分析用户的行为和项目的属性,主动获取用户的兴趣,为用户提供个性化的推荐服务。协同过滤推荐算法是目前应用最广泛的推荐算法之一,该算法通过分析用户的历史数据,可以准确地得到推荐结果。然而随着系统内用户和项目数量的快速增长,该算法仍面临着用户兴趣漂移、马太效应、推荐精度等问题。本文将从用户兴趣、马太效应、时间效应、推荐精度上对协同过滤算法进行研究,从而对上述问题进行有效优化和改进,主要工作如下:针对用户兴趣的问题,本文引入了用户活跃度、用户活跃度衰减因子和用户间的兴趣相关程度的概念,提出了一种融入用户活跃度和用户兴趣的混合相似度算法。针对马太效应和时间效应的问题,本文首先引入了项目流行度影响力因子,提出了一种融入用户行为与项目特性的协同过滤算法,然后通过构建基于时序的用户、项目网络图,提出了一种新的用户、项目间的影响力因子构建过程。针对推荐精度的问题,本文以经典的Slope One算法为模型,首先利用改进的混合相似度算法和加权皮尔逊算法,提出了一种融入相似度的混合推荐算法;然后通过构建影响力因子,提出一种融入影响力的混合推荐算法。同时,本文对上述这些研究重点都依次设计了严谨的验证实验。结果表明,在引入了用户兴趣相关程度,用户影响力等因子后,能够有效地对协同过滤算法的准确率、召回率、覆盖率、新颖度指标上起到明显的提升效果。经过上述的研究,为今后学术界对于协同过滤算法的改进和发展提供了有效的借鉴和指导,从而使得协同过滤算法能够得到更广泛的应用。