基于推薦權重和動態(tài)可靠近鄰的協(xié)同過濾算法.pdf

1、本文先是討論了推薦系統(tǒng)的興起的背景以及意義，進而詳細介紹了推薦系統(tǒng)的結構以及邏輯模塊，并對現(xiàn)有的各種推薦技術的特點進行了討論和對比。并針對推薦系統(tǒng)中常見的問題，提出了幾點改進思想，并設計實驗進行驗證，主要工作如下：
　　1）傳統(tǒng)的協(xié)同過濾基于K近鄰算法。然而，為了滿足數(shù)量上的要求，K個近鄰中也會存在一些與目標對象相似度不高的個體,這將直接影響到推薦精度。因此我們需要定義兩個相似度的閾值以選取質量比較高的近鄰。一個用于用戶間相似度計

2、算的閾值,另一個用于產(chǎn)品間相似度計算的閾值。當一個對象和目標對象之間的相似度大于這個閾值，才會被選作為鄰居。
　　2）皮爾森相似性系數(shù)的計算方法是存在弊端的，當兩組對象的交集很小的時候，采用皮爾森相似度計算方法計算出來的相似度會有很大誤差,因此我們在對相似度進行排序的過程中，提出一種推薦權重的概念，兩個項目交集越多，則兩者之間的推薦權重越高，排序也就越靠前，越具有推薦能力。
　　3）針對項目和用戶的兩組動態(tài)近鄰，我們通過設定