基于项目属性协同过滤算法的研究与应用-软件工程专业论文.docx

万方数据 万方数据 摘 要 摘 要 自互联网进入到 2.0 时代，人们对信息的需求从被动的消费者转向主动的生产者。 同时，互联网又突破了人们在地域和文化上的边界，更加方便的给人们提供他人的聪 明智慧。如今，各大网站为人们提供信息和服务的方式也发生了改变，从信息的分类 展示转向信息的个性化推荐，尤其是拥有大量注册用户的网站，往往推荐准确度越高 越能获得更高的用户满意度和口碑。然而，推荐系统在提供个性化服务时仍面临着诸 多的挑战：降低在线推荐计算的时间，充分挖掘用户行为数据的维度，以及新用户历 史数据的稀疏等。因此，推荐系统在研究人们平日上网的行为习惯同时，还要综合考 虑上述问题，才能给出用户可能感兴趣的资源列表。本文基于协同过滤推荐技术，从 用户行为情境的角度出发，选择对推荐准确度有严重影响的因素进行深入的探讨和研 究，旨在改善协同过滤算法所面临的评分偏见性、用户行为情景缺失等问题。论文在 以下几个方面开展理论研究与实践工作： （1）研究了用户给物品评分时，传统的基于项目的协同过滤算法对用户偏好计算 的偏见性问题，提出了基于项目属性相关度的协同过滤算法（Item-attributes Based Hybrid Filtering, IBHF）。首先，给出了项目间相似度计算模型；然后把用户-项目评 分矩阵与项目属性隐式数据结合，提出改进的 Pearson 相似度算法，在原有的相似度 计算模型上增加了计算维度，进一步提高了项目间相似度的计算结果；最后，用实验 证明算法提高了推荐准确度。 （2）结合用户当下所处的情境，分析了基于项目的协同过滤算法在用户需求分组 后相似度度量问题，提出了一种基于用户上下文维度上升的协同过滤算法（Context Aware Dimension Risen Collaborative Filtering，CADRCF）。该算法根据用户的购买动 机把用户分组，扩展了用户的行为数据集，并在原有的相似度度量模型上拓展了度量 维度，进而产生推荐。该方法弥补了用户情境缺失造成的推荐准确度下降问题，又能 在一定程度上避免新用户加入时的推荐冷启动问题。最后，实验结果证明本文提出的 算法能够提高房源推荐精度，并一定程度上解决了新用户加入时的冷启动问题。 （3）在前文所作研究的基础上，本文针对用户在线找房时对房源过滤的需求，设 计并实现了面向找房服务的推荐原型系统，即基于用户在线找房平台的协同过滤推荐 原型系统（Recommendation System for House Matching Platform, HMPRS）。该原型系 统对本文提出的算法在具体业务上进行验证，同时为在线找房用户提供了个性化房源 信息服务。 关键词：推荐系统；协同过滤；评分偏见性；推荐维度；用户上下文 I Abstract Abstract Web Application has step Into the Web2.0 era, which people become information provides instead of that consumers. The Internet has break the geographic and cultural boundaries, it is much convenient to access the wisdom from others. The famous website are also devoted to provide people with high quality information and services. The rec- ommendation exists in many website and applications, especially in that with large quan- tity of users’ operation data. But the personalized recommendation system still facing many challenges, such as reducing online recommendation computing time, fully utiliz- ing the user behavior data, data sparseness and cold start problem. Therefore, in this pa- per, based on the collaborative filtering technics and user context information, discussed the recommendation accuracy prob