协同过滤推荐算法研究
摘要：在电子商务领域，根据用户特征向用户推荐商品是十分重要的营销手段。由此推荐系统在电子商务领域取得了巨大的成功。其中协同过滤推荐算法是推荐系统中应用最成功的推荐技术之一。协同过滤推荐技术可以不受具体项目属性的限制进行推荐，它根据用户对项目的评分数据发现用户的特点和与目标用户相似的用户，进而根据用户特征和与目标用户相似的用户为用户进行项目的推荐。尽管如此协同过滤还是面临着推荐评分矩阵数据稀疏性和新用户冷启动等问题。本文就针对这两个问题，本文分析了目前国内外学者提出的各种解决方案，并总结各种解决方案的优缺点。
关键字 协同过滤推荐；数据稀疏性；冷启动；电子商务
一、文献综述
1.1 引言
互联网的持续和快速发展带给人们不仅仅是丰富而及时的各类信息，还有信息超载[1-2]问题：过量的信息同时呈现，使得用户无法从中获取对自己有用的部分，信息使用效率反而降低[3]。用户如何通过简单有效的手段迅速地从互联网上得到自己想要的信息，是一个长期困扰用户的现实问题。目前所用的信息过滤技术有搜索引擎和专业数据检索等，然后这些仅仅满足了用户主要需求，用户仍然需要通过多次搜索和过滤才能得到自己想要的信息。
在电子商务领域，面对海量的商品信息，用户仅仅通过关键字检索选购商品是不能够充分挖掘用户潜在的消费需求的。主动地根据用户的喜好特征为用户推荐商品是电子商务平台急需所寻求的也是十分重要的营销手段。在这种需求下，推荐系统[4-5]产生了。推荐系统是一种能够根据用户特征，通过分析和计算，推断出用户潜在的需求，并将符合这种需求的商品或项目推荐给用户。其中推荐算法是推荐系统的核心和大脑。协同过滤推荐的具有不需要考虑项目内容[6]和较为容易实现等优点[7]。因此协同过滤推荐成为应用最成功的推荐技术之一[8-9]。
1.2 协同过滤推荐
协同过滤推荐是一种个性化的推荐系统[10]，它能帮助用户在大量商品中找到自己最有可能感兴趣的商品。协同过滤根据其他用户的偏好向目标用户推荐，它首先找出一组与目标用户偏好一致的邻居用户，然后分析该邻居用户，把邻居用户喜欢的项目推荐给目标用户[11-12]。协同过滤推荐算法主要分为两类，一类是基于用户的协同过滤推荐算法（UserCF），另一类是基于项目的协同过滤推荐算法（ItemCF）。基于用户(user-based)的协同过滤主要考虑的是用户和用户之间的相似度，需要找出相似用户喜欢的物品，并预测目标用户对对应物品的评分，就可以找到评分最高的若干个物品推荐给用户。而基于项目(item-based)的协同过滤和基于用户的协同过滤类似，不同点在于需要找到物品和物品之间的相似度，只有找到了目标用户对某些物品的评分，那么我们就可以对相似度高的类似物品进行预测，将评分最高的若干个相似物品推荐给用户。基于用户的协同过滤推荐和基于项目的协同过滤推荐的推荐步骤一般有一下三个步骤：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
