于2021年01月08日申请计算机软件著作权,并于2021年06月获得授权。

基于K最近邻协同过滤算法与余弦相似度算法的个性化推荐系统


通过建立用户与信息产品之间的联系,利用用户或产品的相似关系以及已有的用户选择过程挖掘用户感兴趣的对象,以这些信息进行个性化推荐,其本质为信息过滤,目的为充分发挥已有数据的力量。


1.采用了推荐系统领域著名算法协同过滤(Collaborative Filtering)算法,通过对用户的历史行为进行建模来给用户进行推荐;
2.采用K近邻算法这一经典的基于内存的协同过滤算法,并通过一定程度的优化有效的保证了推荐结果是新颖的且符合用户逻辑的;
3.采用了余弦相似度算法(CSA)判断两组特定形态信息之间的相似度,以确定两组信息之间的逻辑方向是否一致的。


随着互联网的发展,互联网已经因为过多的信息进入了信息爆炸的时代。如电商网站里面的商品、媒体网站的新闻或是视频网站的电影或短视频,他们大多是数百页呈现的搜索结果,依靠信息门户与搜索引擎这类传统的信息检索网站,用户只能够从海量数据中检索出很小一部分比较热门的信息,而这些信息在许多时候并非人们所需要的。
同时决定信息呈现与否的关键通常不在于用户的需求和搜索关键字,而在于信息服务商的偏好——近期热门的、题材新颖的或是能够产生经济效益的。而存在于网络中用户所需求的或是较早的信息,用户通常不易于通过简单的检索获取,这些数据成为了用户求之不得、信息服务商不能准确提供的“垃圾数据”。对于服务商来说,如何精准探究用户的需求成为主要问题,这迫使信息服务商寻求一个具有针对性的解决方案。
为了适应这种网络信息过剩的状况,20世纪末期,个性化推荐系统的概念产生。个性化推荐系统利用已有的用户行为过程或信息的特殊关系挖掘每个用户潜在感兴趣的对象,建立了用户与信息产品的二元关系,从而完成信息的个性化推荐,其本质就是对信息进行过滤,筛选出用户感兴趣的信息。关于个性化推荐系统的完善与改进,众多视频网站做出了较多的工作,这使得用户从大量的视频信息中,寻找出自己感兴趣的视频。现阶段因信息的增长加速,对视频推荐系统从性能上与准确性上进行优化,则有着更加实际的意义,这可以使得整个信息网站能够被访问到数据的覆盖面变得更为广,使数据展现出更多的价值。
基于K最近邻协同过滤算法与余弦相似度算法的个性化推荐系统是一种建立于海量数据与成熟高效的数据挖掘平台基础之上,辅助用户决策的信息服务系统。其运用大数据云计算平台,依据用户偏好对各种类别的数据进行挖掘,为用户呈现推荐个性化的信息,满足用户信息推荐的需求。
本文则是针对基于K最近邻协同过滤算法与余弦相似度算法的个性化推荐系统,从设计理念、系统算法的解释与说明、系统概要设计、系统详细设计、系统功能介绍与系统的测试与解析六个方面进行全面的介绍。

Last modification:September 3rd, 2021 at 05:07 pm
If you think my article is useful to you, please feel free to appreciate