协同过滤系统：稀疏性与冷启动问题的解决方案

"这篇博士学位论文主要探讨了协同过滤系统在应对数据稀疏性和冷启动问题上的挑战，并提出了一些有效的方法。研究者孙小华在导师孔繁胜的指导下，针对协同过滤算法的精度、稀疏性和冷启动问题进行了深入研究，并在实际数据集上验证了新方法的优越性。" 在协同过滤系统中，推荐是基于用户的历史行为和兴趣相似性进行的，但这种系统通常面临三个主要问题：精确性、数据稀疏性和冷启动问题。精确性指的是预测用户喜好程度的准确性；数据稀疏性是指用户与项目评分矩阵的大部分元素为零，导致信息不足；冷启动问题则涉及新用户或新项目如何快速融入系统并获得准确的推荐。 为了解决数据稀疏性问题，论文提出了两种方法：PearAfter_SVD 和 LCMSTI。PearAfter_SVD 首先利用奇异值分解(SVD)对评分矩阵进行降维处理，预测用户评分，然后选取基于预测评分的邻居，最后使用Pearson相关算法进行预测。转换型的LCMSTI算法则依据系统状态在不同推荐策略间切换，如在基于潜在分类模型的Pearson算法和STINl算法之间选择，以优化预测性能。 对于冷启动问题，论文提出统计众数法和信息熵法。统计众数法利用用户评分的众数来预测新用户或新项目的评分，假设用户行为具有从众性。而信息熵方法则通过计算信息熵来选择有代表性的用户或项目，帮助新用户或新项目更快地适应系统。 此外，论文还提到了其他度量相似性的方法，如概率方法和Jaccard Jj法，以及概貌效用作为相似性度量的运用。概貌效用是根据项目的流行程度计算的，对于反流行度的定义是所有项目的平均流行度的倒数，用于衡量项目的独特性。 这篇论文详细阐述了协同过滤系统在应对数据稀疏性和冷启动问题上的策略，并通过实证研究证明了提出的解决方案在提升预测准确性方面的有效性。这些研究结果对于改进推荐系统，尤其是那些无法获取项目内容信息和用户个人信息的系统，具有重要的理论和实践价值。