运用云模型于协同过滤推荐系统之研究-中国文化大学.PDFVIP

KC2011知識社群研討會 CA-15 路了年 數量數 了 兩 量易路塞 不 不易 料料 量 -論文全集，第166頁- KC2011知識社群研討會 1. 緒論 1.1.研究背景 隨著網際網路的興起，而造就了這個資訊爆炸的年代，資訊傳遞的數量正以等比級 數的增加，由於資訊的無限以及人腦的有限，因而造成了資訊過載 (information overloading) ，資訊過載將會引發兩個問題： 一、造成對傳輸的大量需求，容易造成網路壅塞。 二、許多未經許可的資訊會傳送至不想接收的使用者身上。相較於以往資訊的取 得不易，現今的使用者將面對的問題是如何從茫茫的資料庫中找尋自己需要或感興趣的 資料，根據 Resnick and Varian [1]研究顯示，推薦系統 (recommendation system)依據使用 者個人的偏好與需求，進而協助使用者從大量的選擇中，找到使用者感興趣或相關性高 的資訊，可以顯著的幫助人們解決此一問題。 1.2.研究動機 Adomavicius and Tuzhilin [2]和 R. Burke[3]提出協同過濾系統已成功地應用於各式 各樣的應用，它們出現兩個主要問題：稀疏性 (sparsity)和可擴展性(scalability) 。 一、稀疏性問題：Ren and Gong [4]提出發生在可運用評價的資料相當稀少並且不足 以確定類似的鄰居。這個問題是相當重要，當推薦系統處於早期階段。稀疏性的評價資 料，是造成推薦品質下降的主要原因。 二、可擴展性是相當重要的，因為協同過濾演算法常常要管理非常大的資料集。 Takács, Pilászy, Németh and Tikk [5] 提出可擴展性缺乏的協同過濾演算法在即時運作的 環境中效能相當低落 。 最近，一些研究人員聲稱將雲模型納入協同過濾的處理中可以提高效率。Zhang, Li, Li, Kang, and Chen [6]和 Luo and Yuxi [7] 提出雲模型協同過濾的方法可以解決稀疏性和 可擴展性的問題，經由建構一個雲特徵向量來代表使用者的整體偏好。這種方法可以減 少維數的資料，避免了嚴格配對的屬性相似度計算 。不過，我們認為，利用整體偏好 的相似度可能會損失一些個人評價的資訊，而且產生的結果可能會造成推薦的品質的下 降。我們相信，整合個人評價的資訊 (在相當數量上的共同評分)到雲計算模型的相似性 可以提供更好的覆蓋率和準確度的預測。 1.3.研究目的 本研究之研究主題是出整合相似度權重於項目- 雲模型的協同過濾推薦演算法，因 此本研究的研究目的如下： 一、建立基於項目- 雲模型的協同過濾模型。 二、使用基於項目- 雲模型的協同過濾推薦演算法來計算推薦電影清單，並運用項 目共同評價的數量來計算出權重，最後將兩者加以彙總以建立權重評分，藉此預測使用 者的偏好。 三、評估本研究所提出推薦模型之推薦品質，並與基於使用者－雲模型協同過濾之 推薦品質進行比較。所提出推薦模型需優於傳統協同過濾、基於使用者－雲模型協同過 -論文全集，第167頁- KC2011知識社群研討會 濾之推薦系統。 四、相較於現行推薦方式，能提供較佳的個人偏好程度推薦，以提高推薦系統的 覆蓋率 (Coverage)及降低平均絕對誤差(MAE) ，並減少使用者搜尋的成本。 1.4.研究範圍及限制 本研究資料來源主要是使用MovieLens網站()