一種基于類(lèi)別偏好協(xié)同過(guò)濾推薦算法的實(shí)現(xiàn)與優(yōu)化.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展帶來(lái)了網(wǎng)絡(luò)信息爆炸式的增長(zhǎng)。海量的信息瞬間涌入人們的生活，將人們正常獲取信息的需求淹沒(méi)其中。如何從這些多如牛毛的信息當(dāng)中查找當(dāng)前用戶(hù)真實(shí)需要的信息，如何從這些品類(lèi)繁多的商品中找到用戶(hù)當(dāng)前需要的商品成為當(dāng)前網(wǎng)絡(luò)用戶(hù)亟待解決的問(wèn)題。個(gè)性化推薦系統(tǒng)作為信息過(guò)濾最為有效的方法已經(jīng)被應(yīng)用到各個(gè)領(lǐng)域。推薦算法作為推薦系統(tǒng)的核心，越來(lái)越受到關(guān)注。協(xié)同過(guò)濾推薦算法作為目前最為流行的推薦算法，是當(dāng)前研究熱點(diǎn)之一。但是評(píng)分?jǐn)?shù)據(jù)稀疏性、冷啟動(dòng)

2、問(wèn)題、推薦精度低等問(wèn)題仍然嚴(yán)重制約著協(xié)同過(guò)濾推薦算法的性能。
　　本文從評(píng)分?jǐn)?shù)據(jù)稀疏性和推薦精度兩個(gè)問(wèn)題入手，做了以下幾方面工作：第一，通過(guò)使用Term Frequency-Inverse Document Frequency（TF-IDF）原理把用戶(hù)-項(xiàng)目評(píng)分矩陣轉(zhuǎn)換成為用戶(hù)-類(lèi)別評(píng)分矩陣，極大的降低了數(shù)據(jù)的稀疏性，在此基礎(chǔ)上提出基于類(lèi)別偏好的協(xié)同過(guò)濾推薦算法（GCF）。第二，將 GCF與基于用戶(hù)協(xié)同過(guò)濾推薦算法（User-CF

3、）通過(guò)動(dòng)態(tài)權(quán)重的方式相結(jié)合，提出基于類(lèi)別偏好的混合推薦算法（CGCG）。第三，使用變異粒子群算法（PSO）和BP神經(jīng)網(wǎng)絡(luò)對(duì) GCF、User-CF、基于項(xiàng)目的協(xié)同過(guò)濾（Item-CF）進(jìn)行組合調(diào)優(yōu)，針對(duì)不同用戶(hù)充分發(fā)揮各個(gè)算法的優(yōu)勢(shì)，有效避免其劣勢(shì)，實(shí)現(xiàn)單一算法在組合推薦中全局優(yōu)勢(shì)與局部?jī)?yōu)勢(shì)的平衡。
　　最后，將 CGCF、PSO-CF、BP-CF在 Movielens真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)及評(píng)估。實(shí)驗(yàn)結(jié)果對(duì)比顯示，本文提出的CGC