论文部分内容阅读
随着互联网的迅猛发展，面对着爆炸式增长的Web信息，人们要搜索出自己所需要的信息变得越来越困难。推荐系统作为一种信息过滤的重要手段，是解决信息超载问题的有效方法。协同过滤推荐技术是推荐系统中最成功的技术之一，该技术使用相似兴趣偏好的用户的数据来得出推荐，具有与推荐对象无关的优点。但随着电子商务系统用户和商品数量的增加，协同过滤也面临着稀疏性、精确性等问题的考验。
本文使用相似-信任度模型解决协同过滤的稀疏性问题，模型使用信任度传递公式计算出没有直接关联用户之间的信任度，缓解了稀疏性问题给协同过滤带来的影响。
本文首先对推荐系统以及协同过滤的研究现状进行全面分析，总结出协同过滤研究中存在的问题和挑战。尤其对稀疏性问题进行了更加深入的研究，分析了稀疏性问题的现有解决方案及其优缺点。
在全面分析稀疏性问题的现状和解决方案后，引出相似-信任度模型(Similarity-Trust Model，STM)，该模型提高了最近邻搜索的准确性，在解决稀疏性问题的同时也优化了推荐质量。本文提出整体相似度概念，并将实际用于计算预测评分的用户个数考虑在内，进一步优化推荐结果。本文进行了一系列的实验验证了算法具有较好的推荐性能。
基于该模型本文实现了一个协同过滤原型系统，用户可以自行修改参数并查看推荐结果。本文最后设计并实现了一个基于STM的电影推荐系统，系统可以给已有评分操作的用户推荐符合用户口味的电影，验证了本文推荐算法的可行性。
本文的研究工作，在一定程度上解决了稀疏性问题，并有效提高的协同过滤算法的推荐性能，对协同过滤解决稀疏性问题起到了一定的促进作用。