论文部分内容阅读
面对海量的信息，人们已经无从选择。信息开始从用户主动获取演变成系统根据用户的需求和喜好进行个性化推荐，推荐系统应运而生，并迅速得到广泛研究和应用。协同过滤的算法是目前应用最广和最成熟的推荐算法，本文围绕协同过滤算法中推荐的准确性不高、数据稀疏性问题和冷启动问题，提出了一种基于分层的协同过滤混合推荐的研究方案，并根据不同的问题提出了3种改进算法。 (1)将用户行为和用户评分区分开来，提出了一种基于用户行为相似和用户评分相似的双层相似度协同过滤算法BLSUBCF。 (2)结合基于用户的协同过滤和基于物品的协同过滤算法，提出了一种基于用户和物品的多层相似度混合推荐算法MLS-UIBCF。通过将近邻用户的物品作为候选集，综合基于用户相似度和物品相似度的得到一种新的评分预测公式。实验表明该算法能明显降低预测的误差，提高推荐精度和准确度。 (3)数据稀疏性和冷启动问题一直是推荐系统中的难题。论文通过引入用户属性和物品属性，计算用户对物品属性偏好，推得用户基于属性偏好的相似关系，结合MLS-UIBCF算法得到了基于用户物品属性信息的多层协同过滤混合推荐算法AMLS-UIBCF。从在Movielens数据集上的实验结果可知，本算法能有效解决冷启动问题，较大的提高了推荐系统的精确度、准确性。