基于双边匹配的协同过滤推荐算法-控制工程专业论文.docxVIP

摘 摘 要 万方数据 万方数据 摘 要 互联网规模和覆盖面的迅速增长 方便信息 获取 的同时 也 带来了信息超载 (information overload)的问题：在过量的信息面前用户无法轻松的获取到对自己有用 的内容，使得信息使用效率下降。推荐系统(Recommender System)就是解决以上问题 的重要工具，它的任务就是帮助用户和信息制造者互联，一方面帮助用户搜寻到关键 信息，另一方面帮助信息制造者找到目标受众，从而实现信息消费者和信息生产者的 双赢。 然而，协同过滤推荐算法作为现有推荐算法中最为普及的一种，也出现了一些问 题。比如它在项目相似度计算的过程中通常只采用某一单独特征(如用户评分)进行相 似度计算，导致推荐准确率下降，并且现有推荐算法在分析用户兴趣模型时，通常没 有联合分析供应商偏好，分析片面。本文在分析现有技术的基础上，从以下几个方面 对协同过滤推荐算法进行了研究： (1)提出了一种综合相似度计算方法。相似度计算是协同过滤推荐算法重要的一 步，本文提出的相似度计算方法首先考虑项目之间评分数据的相似性，其次考虑到拥 有相同属性的用户的数量，最后还考虑到项目属性的背景。利用据此综合相似度得到 的预测评分对稀疏矩阵进行填充，能有效的缓解矩阵数据缺少的问题。 (2)提出一种 K-means 初始值取法。用户-项目矩阵越来越大，通过 K-means 算法 对矩阵进