相似度加权和局部兴趣改进的协同过滤推荐算法

《相似度加权和局部兴趣改进的协同过滤推荐算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10385分类号：研究生学号：1300204046密级：相似度加权和局部兴趣改进的协同过滤推荐算法CollaborativeFilteringAlgorithmBasedonBestSimilarityWeightandLocalizedPreference作者姓名：苏芳芳指导教师：陈维斌教授、王成副教授实践导师：郑国旗专业学位类别/领域：工程硕士/计算机技术研究方向：智能信息服务所在学院：计算机科学与技术学院论文提交日期：二零一六年六月三日摘要本文针对目前协同过滤推荐系统中存在的数据稀疏、推荐精度低等问题，开展了以

2、下三部分研究工作：1、针对算法精度低的问题，提出了相似度最优加权协同过滤推荐模型。该模型以最大化提高推荐精度为优化目标，在理论上搜索范围涵盖了相似度加权的所有可行解，在不需要得到对象之间潜在关系模型的情况下的相似度最优加权。在利用PSO优化算法进行模型求解的过程中，使用相关加权的结果作为粒子的初值，极大地加快了收敛速度。在MovieLens-100k数据集上的验证得到，该模型可以很好的改善推荐效果。2、针对用户兴趣具有局部相似特性的基础上，提出了一种基于局部最近邻的用户协同过滤推荐算法。该算法以用户评分向量的夹角余弦作为项目相

3、似性度量，以最大化各类中相似性之和为目标，对项目进行K-medoids聚类，并以最小化最大项目相似度准则来选择初始聚类中心。在公开数据集上的实验验证得到，基于局部最近邻的协同过滤推荐精度在五折交叉、Allbut1等验证方法下优于全局最近邻的协同过滤推荐算法。3、针对数据稀疏的问题，提出了一种全局最近邻融合局部最近邻的用户协同过滤推荐算法。该算法将最近邻的相似度和的贡献比重作为融合权值，将全局最近邻的评分融合局部最近邻的评分，从而在理论上将全局最近邻算法和局部最近邻算法的优点融合在一起，更大限度的利用已有数据。在公开数据集上的实

4、验验证得到，基于全局最近邻融合局部最近邻的算法在十折交叉、Allbut1、Given2和Given10验证方法下提高推荐精度的同时具有很好的稳定性。关键词：协同过滤相似度加权局部兴趣相似性K-medoids聚类数据稀疏融合IAbstractRecommendationsystemswerethecoreofintelligente-business,whilecollaborativefilteringwasthemostsuccessfulandmostwidelyusedalgorithminrecommendations

5、ystem.Buttherearesomeproblemsincludinglowrecommendedprecision,datasparsity.Fortheseproblems,four-partstudiesmadearesummarizedasfollows.1.Aimingatthetraditionalcollaborativefiltering(CF)withlowaccuracyandtheexistingmethodwithweightingwhichneedpriorknowledgeoroptimalp

6、arametersettingsandcanonlyimproveaccuracyfromacertainaspect,weproposeacollaborativefilterrecommendationmodelbasedontheoptimalweightedsimilarity.Thismodelimprovestheneighbors’selectionbynormalizingsimilarityofneighborsandusesoptimizationmethodstosolvebestweightofsimi

7、larity.Thismethodunifiesdifferentweightedalgorithmandrealizesthebestsimilarityweightedandsolutionofweightwithoutpriorknowledgeintheory,besides,itsearchesforthebetterparametersbythePSOoptimization.ExperimentresultsinMovieLens-100KdatasetshowsthatMAEofcollaborativefil

8、terrecommendationmodelbasedontheoptimalweightedsimilarityislowerthanthetraditionalCF,correlation-weightCF,IFUBCFandIFIBCF.2.Aimingatthecol