![](https://csdnimg.cn/release/download_crawler_static/88618960/bg3.jpg)
泰迪华南杯数据挖掘竞赛论文报告
一、绪论
1.1 研究背景
随着网络的普及,网络资源不断丰富,网络信息量不断膨胀。用户要在众多
的选择中挑选出自己真正需要的信息好比大海捞针,出现了所谓的“信息过载”
的现象。信息过载是指的 是社会信息超过了个人或系统 所能接受、处理或有
效利用的范围 ,并导致故障的状况。 信息过滤就是解决信息过载的重要工具。
信息过滤通过建立用户和信息产品之间的关系,利用已有的选择过程或相似性关
系,一方面挖掘用户潜在感兴趣的信息,另一方面让信息能够展现在对它感兴趣
的用户面前。
基于信息过滤技术的推荐系统具有良好的发展应用前景。目前,几乎所有大
型的商务系统,如Amazon,cnNow,eBay,dangdang等,都不同程度的使用了各
种形式的推荐系统。各种提供个性化服务的Internet站点也需要推荐系统的大力
支持。在同趋激烈的竞争环境下,推荐系统能有效保留用户,提高销售。
从总体的层次结构看,推荐系统可以分为三大模块:输入功能模块、推荐方
法模块与输入功能模块[1]。推荐方法模块是最为核心的,其中协同过滤算法
被广泛应用。
1.2 推荐算法简述
基于不同的推荐应用场景,有不同的推荐算法。主要可以分为以下三类:
基于协同过滤的推荐:根据用户集合对待推荐对象集合的推荐行为,找到用户
之间的相关性,据此做出推荐。该推荐算法最大的优点在于并不需要用户和待
推荐对象的属性特征,它的推荐来源仅仅是用户对于待推荐对象的行为。这
使得推荐并不需要对用户和待推荐对象显式地进行信息采集,而是隐含在业
务系统的日常运作中。
基于内容的推荐:根据待推荐对象属性之间的相关性,当用户喜欢某个对象
是,给该用户推荐与该对象相关的其它对象。相关的推荐算法有:决策树算
法、支持向量机法、贝叶斯分类算法、人工神经网络算法等等,该类算法通
常是将推荐问题化为分类问题,进而求解。
基于知识的推荐:这主要有两种基本类型,一是基于约束推荐,二是基于实
例推荐。这两种推荐在过程上比较相似:用户必须指定需求,然后系统设法
给出解决方案。如果找不到解决方案,用户必须修改需求。
鉴于本文旨在对协同过滤算法进行研究,故作进一步的阐述。基于协同过滤
的推荐面临的最大挑战是稀疏矩阵问题。由于用户评分数据的极端稀疏性,传统
的相似性度量方法不能有效地计算目标用户的最近邻居,协同过滤推荐系统的推