基于用户行为与角色的协同过滤推荐算法.pdfVIP

2011年 第2O卷 第 11期 http：／／www．c—S—a．org．cn 汁 算 机 系 统 应 用 基于用户行为与角色的协同过滤推荐算 李幼平 ，一，尹柱平 f桂林航天工业高等专科学校 党委，桂林 541004) (桂林电子科技大学 商学院，桂林 541004) 摘 要：针对传统协同过滤推荐算法中以稀疏评分讨算‘用户相似性可能并不准确的问题，提出以用户行为对应 一 定分值填补空缺的I．u评分矩阵，并以分角色下的权重系数K约束用户相似性计算的改进协同过滤推荐算法。 实验表明，改进算法的推荐质量更高。 关键词：协同过滤；I．u评分矩阵；相似性计算；用户行为；用户角色 CollaboratixeFilteringRecommendationAlgorithm BasedonUsers’BehaviorandRoles LIYou．Ping ．YIN Zhu—Ping (GuilinCollegeofAerospaceTechnology,Guilin541004，China) (SchoolofBusiness，GuilinUniversityofElectronicTechnology,Guilin541004，China) Abstract：Therearesparseratingsproblem inthetraditionalCF recommendationalgorithm，andbasedonthissparse ratingswillleadtothefactthatthesimilaritymaynotbeaccurate．Forthisreason，aCFalgoritmh basedonfixedI-U ratingsmatrix，whichisgivenbyacertainratingsofuserbehaviorinsteadofvacanciesrating，andweightedcoefficient K basesonusers’roletoconstrainthesimilaritycalculationisproposed．Experimentsshow thattheimprovedalgoritmh hasbetterrecommendationquality． Keywords：collaborativefiltering；I-U scorematrix；similaritycalculation；users’behavior；users’role． 协同过滤推荐算法 (collaborativefilteringrecom 算法的准确性。故本文提出了一种改进的协同过滤推 mendationalgorithms)是 目前应用和研究最为广泛的 荐算法。并通过验证实验表明本算法有更高精确度。 推荐技术之一(¨，它根据用户对项的I—u评分矩阵来计 算用户的相似度，从而产生 目标用户的最邻近用户集， 1 基于用户行为与角色的推荐算法 通过这一集合中用户对项的打分预测产生 目标用户对 1．1问题的提出 未知项的打分，取预测打分最高的首选若干项作为结 传统协同过滤推荐算法基于以下假设：如果用户 果推荐给用户。它可忽略项 目对象本身的内容问题， 对一定项的打分较相似 ，则他们对其他项的打分也较 能应用在可计算的文本领域和非结构化的电影、音乐 相似。它是以用户对项打分的 I．u评分矩阵作为学习 和图书等复杂对象领域 【。这一推荐如同现实中的口 用户偏好并产生推荐的基础，但用户的打分常常十分 碑，不局限于用户原有的感兴趣 内容，可发现用户可 稀疏。 能感兴趣的新内容。 事实上，用户对项的打分作为对资源项的偏好表 形成用户的最邻近用户集是协同过滤推荐算法中 达，但同时，用户的系统行为也是对偏好的表达。以 最为关键的_。。步引【，但传统协同过滤推荐算法存在稀 用户的浏览、点击作为一个基本偏好的筛选过程。以 疏性问题，用户对资源项的打分非常稀疏，以稀疏的 用户的 “收藏”操作表明对某一信息资源的关注，并 打分产生用户间的