推薦算法研究與應用.pdf

1、隨著互聯(lián)網(wǎng)信息的發(fā)展，人們對信息資源的依賴程度越來越大，面對互聯(lián)網(wǎng)上的信息如此增長的今天，用戶如何在這么多信息中找出自己需要的信息是一個值得關注的問題。已經(jīng)有很多計算機科學家和計算機工程師提出了很多有效的解決方案，以此來解決信息過載的問題，其中最具有代表性的解決方案就是推薦系統(tǒng)。
　　網(wǎng)站一般會提供排行榜來向用戶推薦物品，使得用戶可以很方便地尋找到所需要的熱門物品，而對于用戶對非熱門（即長尾）物品的需求，卻不是一個排行榜可以滿足的

2、，推薦系統(tǒng)正是為了可以更好地挖掘非熱門而推出的。推薦系統(tǒng)通過向每一個用戶提供與之對應的推薦列表，使用戶可以獲得自己感興趣的物品，這些物品不僅包括熱門物品還包括了長尾物品。為了給用戶提供準確的推薦列表，需要充分研究用戶的興趣。
　　推薦算法作為個性化推薦系統(tǒng)的核心，比較常用的包括基于內(nèi)容的推薦算法、基于關聯(lián)規(guī)則的推薦算法以及協(xié)同過濾推薦算法。協(xié)同過濾算法作為現(xiàn)在學術界和工業(yè)界應用最為廣泛的推薦算法，一直被人們持續(xù)研究。
　　為

3、了解決協(xié)同過濾存在的問題，本文做了一些研究工作。首先，針對時間效應對推薦效果產(chǎn)生的影響，本文提出了融合時間信息的協(xié)同過濾算法T-UserCF來進一步提高協(xié)同過濾算法的準確性，并設計了算法性能測試實驗來驗證T-UserCF算法的有效性。其次，為了解決協(xié)同過濾的可擴展性問題，本文提出了一種增量式的協(xié)同過濾算法I-UserCF，以保證在不損失信息的情況下有效地降低推薦算法的運算量，減少時間開銷，也設計了算法性能測試實驗來驗證I-UserCF算