外文翻译：1基于协同过滤和内容预测的改进推荐算法2一种基于混合体裁的个性化推荐算法.doc

杭州电子科技大学 毕业设计（论文）外文文献翻译 毕业设计（论文）题目基于ASP的个人图书管理系统翻译（1）题目基于协同过滤和内容预测的改进推荐算法翻译（2）题目一种基于混合体裁的个性化推荐算法学 院计算机学院专 业软件工程专业姓 名万佳琦班 级学 号指导教师傅婷婷  Wei Jiang,Liping Yang;Research of?improved?recommendation?algorithm?based?on?collaborativefiltering?and?content?prediction[A]; 2016 11th International Conference on Computer Science Education (ICCSE)[C];IEEE;P:598-602 译文一： 基于协同过滤和内容预测的改进推荐算法研究1 摘要 本文提出了一种结合稀疏矩阵填充方法和协同过滤算法的算法，为了解决当系统面临一个新的项目和一些稀疏的数据时协同过滤推荐系统的“冷启动”问题。该算法提高了用户或项目的相似性计算的准确性。它预测未来填补的项目，它填补了稀疏的用户项目分数矩阵。该算法实现了一个准确的虚拟得分，并填写了一个虚拟用户项目评分表。然后进行基于此预测分数的形式。我们在MovieLens数据集上尝试。实验结果表明，该算法可以有效提高评价预测的准确性。在一定程度上，该算法解决了“冷启动”问题。 索引词：推荐系统，冷启动，协同过滤，稀疏矩阵。 简介 随着Web2.0和电子商务的迅猛发展，大量的互联网用户产生的海量数据。互联网用户所面临的问题是如何从如何找到更多的信息，如何找到更有效的信息。传统的信息检索方法难以满足不同用户的需求。由于不考虑用户之间的差异，搜索系统为所有的用户将返回相同的结果。但事实上即使使用相同的关键字，不同的用户会专注于搜索不同的信息。在此背景下，满足不同用户的不同需求，不同用户的个性化推荐，成为电子商务的新的发展方向和信息提供商。基于推荐算法的个性化推荐方法成为一个热门的研究课题[1]。 目前，在所提出的推荐技术，协同过滤算法是众所周知的，最流行的和成功的方法。然而，传统的协同过滤算法存在一些问题，如稀疏性，可扩展性，“冷启动”和准确性[2]。基于协同过滤的推荐算法是非常依赖于用户项目分数的。只有当用户项目评分表产生时，才能实现推荐结果。但对于一个新项目，当没有人来评估该项目，该项目的分数将被填充。因此这项目变得乏善可陈，就不可能被推荐。这个问题导致了新的项目难以启动，这是著名的“冷启动”问题。为了解决这一问题，本文提出了一种基于协同过滤和内容预测的改进的推荐算法。当它填充用户项目分数矩阵时，该算法简单地分析了项目的相关内容。然后利用相关内容对该项目进行评分预测，并通过协同过滤推荐算法的方法进行推荐计算。 传统协同推荐算法的步骤 常用的传统的协同算法实现了以下推荐步骤[3,4]。首先，建立用户项目评分矩阵。其次，填充矩阵中的空格。第三，计算用户的相似性，然后查找邻居的用户或项目。最后，计算和生成推荐结果。 2.1 建立项目的用户评分矩阵 首先，用户的偏好必须收集。用户可以通过各种方式向系统提交自己的偏好。 在收集足够的数据后，该算法处理这些数据。根据不同的行为分析方法，该算法应用了一些统计方法，如加权或分组实现关于用户偏好的一个二维矩阵，即以用户项目分数的形式。 2.2 用户项目评分矩阵的填充 上面提到的方法所产生的分数矩阵是非常稀疏的。因此，如果相似性计算只依赖于用户的评价分数，不可避免地会有错误。因此，用户项目分数矩阵通过填写的数据，改变矩阵的密度。然后在常规分数矩阵，有灌装，模式填充，集群填充几种主要的方法。本文在传统的协同推荐算法计算中，通过填充方法对用户项目分数矩阵进行填充。它设置了缺席的得分，一个固定的值，这一般是得分系统的平均值，或是用户的平均得分或项目的平均得分。 2.3 计算相似性，发现邻居用户或邻居项目 在填充用户项目分数矩阵后，下一步将是根据相似的用户或用户的信息，计算类似的用户对项目的偏向。然后该算法基于类似的用户或类似的项目产生推荐。在最典型的协同过滤算法中有两个分支：一个是基于用户的协同过滤，另一种是基于项目的协同过滤。他们有一个共同点是，他们都需要计算的相似性，然后根据相似找到邻居用户或相似的项目的邻居[5]。常用的计算相似性的方程如下： 余弦相似性的计算公式： 相关相似性的计算公式： 修正的余弦相似度计算公式： 以基于用户的协同过滤为例。在上述三个方程中,sim（x，y）表示用户X和用户Y之间的相似性。Rx,i（或Ry,i）表示由用户