基于用户评分和项目类偏好的协同过滤推荐算法.docVIP

基于用户评分和项目类偏好的协同过滤推荐算法 　　摘 要：协同过滤（Collaborative Filtering）算法一般采用Pearson相关系数、索伦森指数等方法衡量用户之间的相似性。但是，这些方法难以区分个人的习惯和偏好，以至于计算结果准确度低、区分度差。因此提出从评分差异、评分偏好、置信度3个方面衡量用户的评分相似性，结合项目类偏好去衡量用户相似性。真实数据集上的测试结果显示，改进后的算法比传统度量方法获取到的平均绝对误差（MAE）值更小，能够有效地提高推荐质量。 　　关键词：协同过滤；评分相似性；项目类偏好；个性化推荐技术 　　DOIDOI：10.11907/rjdk.162155 　　中图分类号：TP312 　　文献标识码：A文章编号：1672-7800（2016）012-0025-05 　　0 引言 　　随着个性化推荐技术的迅速发展，个性化推荐不仅为电子商务带来了巨大的商业价值，也为人们的社会生活提供了极大便利[1]，具有高效、准确、个性化等特征。作为现有推荐系统中应用最成功的推荐技术之一，基于协同过滤的推荐技术分析不同用户行为所产生的数据来推荐他们可能喜欢的项目，这些数据包含用户浏览历史、购买记录、用户评分等[2-5]。随着协同过滤算法在不同领域的广泛应用，其也逐渐暴露出数据稀疏性[6]、可扩展性[7]、新加入用户或项目冷启动[8]等各方面的问题。 　　近年来，国内外研究者在协同过滤领域开展了较为丰富的研究，取得了一系列重要研究成果。杨兴耀[9]等构建信任模型来实现评分矩阵填充，从项目和用户属性来对项目的相似性进行评估，并使用调节因子进行两方面协调处理，提高了算法的精确度；赵伟等[10]通利用K-means算法对用户进行聚类，并在用户类中应用协同过滤算法以实现个性化推荐，有效地提高了算法推荐的准确率和扩展性；徐红燕等[11]利用项目各属性的评价分数来评估用户偏好，并结合历史属性分数的变化情况和属性评分相似性综合实现推荐，提高了算法的推荐准确度；方献梅、高晓波[12]引入TF-IDF算法计算用户兴趣权重，构建用户-兴趣矩阵来提高推荐质量。 　　因此，从评分差异、评分偏好、项目类偏好、用户和项目属性等方面对协同过滤（Collaborative filtering）算法实现改进值得研究。 　　1 基于用户的协同过滤推荐算法 　　基于用户（User-based）的协同过滤算法中，用户往往喜欢与他们有相同或相似品味、爱好的一些用户以往所喜欢的项目[13]，算法中对于相似性的度量通常采用PCC（Pearson相关系数）、COS（余弦相似度）、SRS（索伦森指数）[14]和JMSD（Jaccard均方差）[15]，具体公式如下： 　　下面给出一张用户评分信息表（见图1），分别采用PCC、COS、SRS、JMSD算法得到如图2～图5所示的相似度计算结果。 　　从图2～图5中可以发现，使用传统PCC、COS、SRS和JMSD算法得到的结果存在以下几个问题： 　　（1）计算结果区分度比较低。例如，图2中只存在2种结果；user1和user3之间的相似性本应该高于user1和user2，但在图2中得到的结果完全相同；在图5中，user1分别与user2和user4相比，得到的结果都是0.0，与实际情况差距较大。 　　（2）计算出的结果有些与实际情况相反。例如，user1在user2和user3之间，与后者的相似性本来应该更大，然而在图3、图4中的结果却与之相反。 　　（3）无法体现出用户对于项目的兴趣。例如，同样对于Item2、user2的评价分数为4，user5只有2分，然而在图2中计算出两者的相似度却是1.0；同样user3在item2上比user5高了2分，在图2中两人的相似度也是1.0。 　　由于采用传统计算方法产生了这些问题，使得推荐系统的推荐精度低、推荐效果差，为了改善推荐系统的推荐效果，提高推荐精确度，从两个方面着手对相似度计算定义新的方法。 　　2 基于用户评分和项目类偏好的协同过滤推荐算法 　　为了能够更加精确地度量相似性，本文从3个方面：评分差异、评分偏好、置信度，综合衡量用户的评分相似性，并结合用户项目类偏好实现用户相似度的综合衡量。具体算法实现流程如图6所示。 　　由图6可知，基于用户评分和项目类偏好的协同过滤推荐算法包含以下几个步骤：①依据用户评分矩阵分别实现评分差异度、评分偏好相似度以及置信度计算，将三者融合衡量评分相似度；②依据用户在不同类型项目上评价数量与评价总数的比值来完成项目类偏好相似度计算，如果用户对某一类项目评价越多，认为用户对此类项目偏好程度越大；③评分相似度与项目类偏好相似度结合得到最终的用户相似度；④选取与目标用户相似度最高的k个用户加入最