论文写作网

　　2 稀疏性问题描写
　　1.1 协同过滤焦点思想以及分类
　　稀疏性问题是推荐系统面对的主要问题，也是导致推荐系统质量下降的重要原因。在一些大型网站如亚马逊，用户评价过的项目质量相对网站中总项目数量可谓是冰山一角，这就导致了用户项目评分矩阵的数据极度稀疏，在计较用户或项目标最近邻时精确率就会较量低，从而使得推荐系统的推荐质量急剧下降。
　　（2）协同过滤算法同时思量了当前用户和其他用户的评价信息，这样可以或许增加发生推荐可操作的信息量，从而提高推荐的质量与效率。
　　3 稀疏性问题办理方法
　　（1）协同过滤算法的数据源是用户对项目标评价信息，不消思量项目是否属于同一种别，所以协同过滤算法可以从属性差异的项目中提取有用的信息。
　　（2）众数法。众数法就是将方针用户所有评分的众数作为新项目预测评分的要领。从统计学的角度来说，回收众数法这种预测要领的精确率会较量高，可是在实际糊口中，回收众数法预测用户对项目标评分大概会是错误的。别的，用户对项目标评分大概会存在多个众数可能没有众数的环境，因此众数法的应用范围性较量大。
　　基于协同过滤算法的推荐系统主要有以下利益：
　　冷启动问题分为系统冷启动、用户冷启动和项目冷启动。系统冷启动问题主要办理如安在一个新开拓的网站上设计本性化推荐系统，从而在网站刚宣布的时候就能让用户体验到本性化推荐处事。用户冷启动主要办理的是在没有新用户的行为数据时假如为其提供本性化推荐处事。项目冷启动主要办理将新上架的项目推荐给大概对它感乐趣的用户。别的，电子商务网站、商品、用户的数量都在不绝增加，推荐系统将面对严重的可扩展性问题。
　　3.1 简朴填值的要领
　　协同过滤推荐算法可以分为基于用户的协同过滤（UCF）与基于项目标协同过滤（ICF）。这两个算法的配合点在于二者都是按照用户-项目评分矩阵成立推荐系统模子，从而为用户提供本性化推荐处事的。差异之处在于UCF是按照用户之间的相似性找到方针用户的最近邻集，然后按照该荟萃顶用户的评分环境确定方针用户的推荐功效。而ICF则是通过阐明项目之间的相似性，最终将与方针用户评价较好的项目相似度较高的作为推荐列表的功效。
　　填值法就是用一个牢靠的数值填充系统中所有的未评过度的项目，从而办理稀疏性问题一种要领。常用牢靠值的选取要领有两种：
　　协同过滤以其特有的优势成为浩瀚专家和学者存眷的核心，今朝在各大电子商务网站获得遍及应用。该算法的思想是：按照系统中已有的评分数据计较用户（或项目）之间的相似性；按照计较获得的相似性找出当前用户（或项目）的最近邻；按照最近邻顶用户（或项目）的评分预测当前用户对其他项目标评分值，最终按照评分值巨细确定是否将该项目推荐给当前用户。
　　该要领按照用户乐趣之间的差别，操作某种聚类算法将系统中的所有用户分别为差异的群体；系统把用户地址群体的中心值作为用户对未评项目标评分预测值，举办用户项目评分矩阵的填充。主要的聚类要领有k-means聚类和遗传聚类等。聚类要领针对的工具可以是用户，也可以是项目，还可以对用户和项目均举办聚类。个中，对用户举办聚类时首先要对用户-项目评分数据库举办聚类，然后选择方针用户所属类的用户作为最近邻荟萃；对项目举办聚类时按照用户对项目评分的相似性对项目举办k-means聚类生成相应聚类中心，在此基本上计较方针项目与聚类中心的相似性，从而只需在与方针项目最相似的若干个聚类中就能寻找到方针项目标最近邻，并可以或许发生推荐列表，这种要领是由邓爱林等人提出的[2]；对用户和项目均举办聚类的要领主要有条理聚类、biclustering聚类和co-clustering聚类等。聚类的要领操作相似群体的评分信息提高了预测的精确度，但不能浮现用户间的喜好区别，因此推荐功效的精确率并没有获得显著提高。（节选）
　　1.2 协同过滤的优缺点
　　今朝，协同过滤技能已经获得了遍及应用。可是网站商品信息量和用户人数在不绝攀升，网站的布局也越来越巨大，因此基于协同过滤的推荐系统面对着一系列问题[1]，好比：稀疏性问题、冷启动问题和可扩展性问题。
　　　　1 协同过滤算法简介
　　（1）缺省值可以设为评分的平均值，可能对前两者举办某种合成。该要领在必然水平上能缓解数据稀疏性问题，但在用户和项目数量很大的环境下填充所有缺省值，完成推荐的计较劲也较量大，因此适合于小局限数据库。别的用户对未评过度的项目评分环境会有一些差别，该要领回收统一的数值举办填充，没有思量到用户的乐趣差别，扼杀了用户的本性。
　　3.2 聚类的要领
　　（3）协同过滤算法的新颖性较高，推荐功效大概是用户意想不到的。
　　稀疏性问题直接影响这推荐系统的质量问题，因此受到了学术界和应用界的高度存眷。今朝提出的办理稀疏性问题的方法已经有许多种，常用的有：简朴填值、聚类、降维、团结内容的过滤要领等。