论文部分内容阅读
近几年中,互联网行业的爆炸式发展给人们带来了极大的方便。在这种方便的同时也产生诸多影响,例如信息海洋、目标信息提取困难等。协同过滤推荐是根据用户的历史偏好信息来推荐的,是缓解信息过载的有效方式之一,而协同过滤推荐是推荐技术中应用最广泛的技术之一。协同过滤技术是通过参考相似用户的兴趣来预测目标用户对项目的喜爱程度,选取预测评分较高的项目进行推荐,本文的重点是对个性化推荐中协同过滤算法进行改进研究,并且在预测评分过程中通过改进的BP神经网络达到优化的目的。针对传统协同过滤算法的准确度及网络模型训练两大问题,提出了如下两种改进算法:(1)用户和项目相结合筛选邻居的协同过滤算法(Collaborative Filtering with Combined Users and Projects Screening Neighbors,CUPSN-CF),CUPSN-CF算法通过三步对邻居的筛选,每一步均在上一步的基础上引入新的筛选标准,在第一层传统查找邻居的Pearson相关系数法的基础上增加两步筛选,第二层筛选考虑到用户自身特征属性的影响,如年龄、性别等因素,过滤一些特征差距较大的用户。第三层提出项目优先集概念,通过在项目类别子集中寻找相似度较高的项目邻居,生成项目优先集。设定评分邻居优先原则,优选出对项目优先集评过分的近邻,挖掘出用户的潜在邻居,提高邻居用户的质量,避免邻居的流失,从而改进准确度。(2)一种具有自适应动量项的BP神经网络算法,该算法通过改进BP神经网络算法,很好的优化了收敛缓慢的问题。解决方案是在增加动量项的基础上将动量项改为自适应的,使其能够实时变化,很好的解决了权值调整震荡导致的不稳定性。经实验证实该改进算法大大提高网络训练效率,并且提高推荐效率。经过算法实验结果得知,针对目标用户邻居集和预测评分问题提出的改进算法相较于传统算法有实质性的提高。通过CUPSN-CF算法推荐,推荐结果更适合用户,提高了用户认可率;在预测评分模块,相比较传统的评分办法,该算法不仅评分精度提高,同时还大大提高了效率。综合表明,改进算法使推荐系统性能明显提升。