协同过滤系统的稀疏性问题研究开题报告

1. 研究目的与意义

本次项目研究的是目前已被广泛应用于各种电子商务网站依据用户以往的信息分析其喜好对其进行兴趣评估预测从而推荐新产品的推荐系统中的协同过滤算法。协同过滤算法（collaborative filtering）是推荐系统所采用的最为重要及有效的算法之一，其基本思想是基于与目标用户具有相同或相似的兴趣爱好的其他用户的信息向目标用户提供产品的推荐和与测评分。目前流行的协同过滤算法有多种，其中主要有基于用户的协同过滤算法和基于项目的协同过滤算法等等，其性能也有些微差异，然而不管是前者还是后者，都普遍存在这数据稀疏性的问题。也就是说，当产品种类繁多，或者用户评分数据稀少时，由于各个用户对各个产品的评分矩阵极其稀疏，所以会导致无法精确评选出目标用户的相似邻居（即与其兴趣爱好相同或相似的那些用户），最终导致推荐结果不甚令人满意，精度不高。本次项目，我将针对这一协同过滤算法中的普遍存在的难题进行探讨和研究，提出新的改进的方法，弥补数据稀疏性所带来的危害，改善协同过滤算法的推荐性能。

2. 国内外研究现状分析

1. 协同过滤算法的实际运用

目前国内外对于协同过滤算法的研究有很多。协同过滤推荐（collaborative filtering recommendation）是目前研究最多的个性化推荐技术，其中著名的系统有group lens/net perceptions，ringo/firefly 及tapestrys等。协同过滤算法在各种推荐算法中具有一些显著的优势，它对推荐对象没有特殊要求，能处理非结构化的复杂对象，如音乐、电影等等，能够应用于多种多样的网站。目前应用了协同过滤算法的知名网站有amazon、ebay和cdnow，阿里巴巴等。

2. 几种主要的协同过滤算法

3. 研究的基本内容与计划

本课题的主要研究包括：（1）详细介绍推荐系统的基本知识，阐述协同过滤推荐系统中存在的数据稀疏性问题，总结目前解决数据稀疏性问题的几种方案；（2）通过对基于项目和基于用户的协同过滤算法的比较与分析，分别从两个不同的方面针对数据稀疏性问题提出改进算法；（3）对改进算法进行了相似的理论分析，给出改进算法在标准数据集上的实验结果，并对改进算法与原算法进行了相关性能的比较分析。

本项目的目标是要针对协同过滤算法中的数据稀疏性的问题进行分析和研究，提出新思想并反复进行实践验证，并与传统的协同过滤算法进行性能对比，最后统计数据结果，分析成效，发表论文。

本论文的安排计划：

4. 研究创新点

本论文通过对基于项目和基于用户的协同过滤算法以及其它多种协同过滤算法的理论分析与综合，挖掘其中存在的不同的数据稀疏性的问题，比较分析，得到一种能够在最大程度上降低数据稀疏性对协同过滤算法影响的改进的协同过滤算法。