论文部分内容阅读
在这个信息爆炸的时代,全球的数据量正在以惊人速度增长,信息过载问题愈加严重,推荐系统应运而生。推荐系统通过收集用户的兴趣资料和个人信息,为用户做出个性化推荐。在信息资源获取无明显差别情况下,推荐算法作为个性化推荐技术的核心,成为决定推荐系统好坏的关键。协同过滤技术是使用最广泛的一种推荐技术,但该技术仍然存在很多问题需要解决,比如:数据的高度稀疏性导致推荐性能下降;传统的协同过滤算法只是分析静态的数据而没有考虑系统的时间动态变化因素导致推荐的准确性不高等。针对上述提出的问题,本文对基于协同过滤技术的个性化推荐进行深入研究。包括利用神经网络及信任关系改进协同过滤算法;分析推荐系统的动态变化特性以及协同过滤推荐的动态改进研究等。以下为本文重点研究内容及创新之处:1.概述基于协同过滤技术的个性化推荐的背景、意义以及研究进展;介绍个性化推荐相关的信息过滤技术以及数据挖掘技术;分析常用的几种协同过滤算法的推荐过程及各自的优缺点;最后指出现在的推荐技术的挑战及研究热点,为进一步研究提供理论依据。2.提出一种基于神经网络解决协同过滤推荐数据稀疏性的方法,使用广义回归神经网络GRNN,通过训练网络模型并进行评分预测,对稀疏的数据进行完全填充,缓解协同过滤技术的数据高度稀疏性问题。3.研究信任和传统的相似性度量之间的关系,基于信任关系研究个性化推荐的模型,研究推荐过程中度量信任大小的方法。基于信任思想改进传统的评分预测公式,利用信任关系寻找最近邻居并进行预测评分,最后通过实验验证基于信任改进的协同过滤推荐显著提高了推荐的准确性。4.分析推荐系统的动态变化特性,研究评分的时效性对相似性度量以及推荐准确性的影响。在基于记忆的协同过滤算法的相似性计算和评分预测过程中引入时间调整函数体现系统的时效性,有效提高推荐的准确性。对基线模型和矩阵分解模型进行动态改进,引入评分偏差的动态变化和特征向量的动态变化,提升推荐准确性及推荐效率。