协同过滤系统中稀疏性与冷启动问题的解决方案

"这篇博士学位论文探讨了协同过滤系统在面对稀疏性和冷启动问题时的挑战，通过实验对比了不同算法在多个数据集上的表现，并提出了一种名为PearAfter_SVD的方法以及转换型的LCMSTI算法来提升预测准确性。此外，论文还介绍了运用基于统计的众数法和信息熵法解决新用户和新项目冷启动问题的策略。" 在推荐系统中，稀疏性问题是一个核心挑战，特别是在大规模系统中，如Amazon网站，用户对项目的评价往往非常有限，导致评分矩阵极度稀疏。这使得寻找相似用户变得困难，从而影响推荐系统的性能。协同过滤是常见的推荐策略，但在稀疏数据环境下，它可能无法有效识别用户间或项目间的相似性。例如，如果用户没有共同评分的项目，基于用户的协同过滤就无法计算相似度，而基于项目的协同过滤则可能遇到未被共同评分的项目，无法计算项目相似度。 为了解决稀疏性问题，论文进行了多组实验，比较了Pearson、STINl和SVD等算法在不同数据集（EachMovie、MovieLens和Jester）和不同稀疏度下的推荐效果。通过选取特定用户群体的评分数据，将数据集划分为训练集和测试集，以评估各种算法在稀疏环境中的预测性能。实验结果表明，特征递增型的PearAfter_SVD方法和转换型的LCMSTI方法在数据稀疏时能提供较高的预测准确性。 此外，论文还关注了冷启动问题，即新用户或新项目如何被有效地纳入推荐系统。对于新用户，论文提出了基于统计的众数法，即利用所有用户对某个项目的平均评分作为新用户的预测评分。对于新项目，使用活动用户已有评分项目的众数作为新项目评分预测。同时，信息熵方法也被引入，通过信息熵来挑选具有代表性的用户或项目，帮助解决新情境下的推荐问题。 这篇论文深入研究了协同过滤系统在稀疏性和冷启动问题上的应对策略，通过实验验证了提出的解决方案的有效性，为改进推荐系统性能提供了有价值的理论和实践依据。