摘要
互联网时代的高速发展创造了规模庞大的信息数据，消费者希望从这些大量的信息数据中找到自己感兴趣的，而商家希望通过这些信息数据让自己的产品更受欢迎。推荐系统的出现让上述问题得到了有效解决。协同过滤是推荐系统在工业领域使用最频繁的算法之一，然而传统的协同过滤算法只关注用户评分，没有考虑到用户关于项目某一标签属性的兴趣度和兴趣度随时间变化的情况，以及一些未知因素造成的用户对某一项目偏爱的问题。针对这些问题，本文在协同过滤的基础上提出一种改进的层序混合推荐算法，主要内容如下： 首先通过TF-IDF技术计算出用户对于项目中某一标签属性的偏爱程度，同时为了考虑时间因素对兴趣造成的影响，将时间衰弱函数引入到TF-IDF公式当中，得到用户-项目标签属性关于时间变化的权重矩阵W。然后通过用户已有的评分记录计算出用户关于项目中某一标签属性的评分均值，得到用户-项目标签属性评价均分矩阵R?。最后通过上述两矩阵计算得出用户-项目预测评分矩阵。形成基于用户兴趣变化的矩阵填充算法。 通过上述算法得出的预测评分矩阵是建立在用户对预测项目的标签属性都有过评分的基础上得出的，而当预测项目中某一标签属性当前用户没有评价过时，就无法精准预测当前用户对项目的评分。为解决这一问题，通过LFM隐语义模型找到影响用户评分的未知因素，将用户-项目评分矩阵分解成用户的未知因素矩阵P和项目的未知因素矩阵Q，再通过矩阵相乘得到预测评分矩阵。本文考虑到时间因素同样会使得用户对隐藏因素的兴趣发生变化，因此在LFM基础上引入时间衰弱函数，形成基于改进隐语义模型的矩阵分解算法。 为解决推荐系统常见的评分矩阵稀疏问题，本文将采取层序混合算法，将上述提出的矩阵填充算法输出结果用于填充稀疏矩阵，得到填充后的评分矩阵作为矩阵分解算法的输入，然后由矩阵分解算法求出用户-项目预测评分矩阵。形成基于矩阵填充和矩阵分解的混合推荐算法。 最后为了证实基于矩阵填充和矩阵分解的混合推荐算法的提升程度，对MovieLens数据集进行仿真实验，实验结果证明本文提出的混合算法有效提高了推荐算法的精度。
NETL