论文部分内容阅读
组推荐算法弥补了传统推荐算法无法给多个人进行推荐的缺点，已经引起了越来越多的研究者的关注。目前的组推荐算法主要分为两种，一种是使用组偏好模型进行推荐，另一种是融合组员推荐列表。此外，传统推荐算法的冷启动问题在组推荐中同样存在。组推荐算法发展迅速，但是目前的组推荐算法存在这诸多问题。 本文首先针对冷启动问题提出了一种基于数据迁移的解决方案。该方案不仅可以解决传统推荐的冷启动问题，也同样适合于组推荐。此外，还提出了一种融合算法来专门提高组推荐的准确度。本文的主要工作如下: 1)总结了传统推荐的一些典型算法，重点介绍了协同过滤算法，同时也分析了基于用户和基于项目协同过滤算法的优点和缺点。此外，介绍了基于矩阵分解的协同过滤算法、基于关联规则挖掘的推荐算法、基于概率分析的推荐算法和Slope One算法。这些算法在推荐的时候均没有考虑内容本身的因素，所以进一步说明了基于内容的推荐算法。 2)冷启动问题是推荐系统中无法避免的一个问题，不管是在传统推荐系统还是在组推荐系统中。本文基于数据迁移，提出了一种解决冷启动的方案。该方案可以将其他系统已有的知识迁移到新的推荐系统中，从而解决了推荐系统缺乏数据进而难以进行推荐的问题。 3)当前效果不错并且比较常用的组推荐算法是Average Aggregation算法和Borda算法。Average Aggregation算法仅仅考虑了项目评分因素而忽略了项目排名因素，而Borda算法只考虑了项目排名因素而忽略了项目评分因素。本文基于两种算法的特点，提出了一种改进算法，可以同时考虑到项目评分和排名两种因素。实验结果证明了该算法的性能比Average Aggregation算法和Borda算法有着明显的提高。