灰色预测模型对准确推荐在存在数据稀疏和相关性报告方案.doc

clustering CF models Bayesian belief nets (BNs) CF models Markov decision process based (MDP-based) CF models latent semantic CF models 利用降维技术来处理数据稀疏性的问题（SVD） 丢失关键数据 本论文中是利用simplest method（Cosine Distance measurement method）,来处理 原理：we do not directly use the exact value of the similarities, but rather rank the items according to their similarities 可以应用的领域：such as ?nance [23], integrated circuit industry [24], the market for air travel [25], and underground pressure for working surface [26]. 实验的数据集：Movie Lens and Each Movie 论文构架：2部分是对传统CF方法的描述，基于CF (ICF) methods，对存在问题的描述，本人的贡献 3部分详细描述了基于算法提出的GF模型 4部分描述了实验的研究，包括实验的数据集，评估的度量，方法，实验的分析，总结和将来的工作。 2.主要的工作可以分为两个大的部分：1.相似度的测量和2.评分的预测 相似度的测量方法： 1.In ICF meth-ods, the similarity seix; iyT between the items ix, and iyis determinedby the users who have rated both the items 2.最流行的方法：余弦距离和皮尔逊相关，运算原理：let I be the set of all items rated by both the users ux, and uy, and let U be the set of all users who have rated the items ix, and iy 例如：题目：(item set I)是Bread and Milk ，d is equal to the size of set I. In this case, d is equal to two（d=2) Cake (ix) and Milk (iy) are rated by both Alice and Lucy (user set U) 2.相似度的计算方法 2.1.1 余弦距离 用来计算两个向量之间的相似度 For UCF, the similarity between two users with Cosine Distance method can be calculated as follows: Cosine Distance 用户之间的相似度 是用户ux和用户uy对项目i的评分， For ICF 则为： 物品之间的相似度 是用户u对项目ix，iy的评分 2.1.2 皮尔逊相关系数 在相似度的计算过程中，消除评分相关性，可以利用平均评分来消除，皮尔逊相关系数在一定的程度上提高了相似度计算的准确度，对于用户之间的相似度计算如下： 是用户对所有电影评分的平均值 对于物品的计算则如下： 2.2 评分预测 思路：The k Nearest Neighbors (KNN) method [37] is usually used for prediction by weighting the sum of the ratings that similar users give to the target item or the ratings of the active user on similar items depending on whether UCF or ICF is used 2.2.1 用户之间 思想： is based on the basic assumption that people who share similar past preferences will be inter