基于领域知识的协同过滤推荐研究

【摘要】： 随着网络的日益普及和电子商务的快速发展,信息推荐实现了从传统的“人找信息”向“信息找人”的网络服务模式的转变。协同过滤技术是当前推荐系统主要采用的技术,它能够发掘出目标用户潜在的兴趣,获得良好的用户体验。 在实际运用中,协同过滤推荐系统主要面临两个需要解决的问题,一个是稀疏性,即用户评分数据通常非常少,仅仅依据这些评分很难发现相似的用户;另一个是实时性,即随着系统用户和资源的增多,系统的性能会越来越低。针对第一个问题,可以构建一个初始用户-项目评分矩阵,通过预测该矩阵中的空缺评分,降低评分极端稀疏对推荐效果带来的影响。在这个过程中,本文结合项目的领域类别信息,通过计算项目间的评分密度阈值,从而动态调整项目评分和项目类别对相似性的贡献大小,改进了项目间的相似性计算公式,使得填充的评分值更加准确,有利于后续的未评分项目的最近邻计算,提高了推荐系统的准确性。对于第二个问题,本文依据项目的领域类别信息为活动用户筛选出候选近邻集合,在此基础上,融入用户的领域职位信息确定用户兴趣组。最后,在用户兴趣组内寻找最近邻集合,预测目标用户对项目的评分并提供推荐。在整个寻找最近邻过程中,本文合理缩小了用户空间,使推荐系统的效率在不影响推荐准确性的前提下获得进一步的提高。 实验结果表明,本文提出的改进算法和传统的协同过滤算法相比,有效地改善了推荐系统的性能。