面向用户兴趣密度分布的协同过滤推荐算法.pdfVIP

2Ol4年 第23卷 第 12期 http：／／wwwC—S—a．org．cn 计 算 机 系 统 应 用 面向用户兴趣密度分布的协同过滤推荐算法① 毕孝儒 (四川外国语大学 重庆南方翻译学院 管理学院，重庆 401120) 摘 要：针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题，提出一种面向用户兴趣密 度分布的协同过滤推荐算法．在计算项目类别相似度的同时，引入类别的信息熵以确定项目之间距离，在此基础 上采用 Parzen窗估计方法获取用户在整个项 目空间上的兴趣密度分布，最后结合用户属性差异性和兴趣密度之 间相对熵以确定 目标用户的最近邻居用户集．实验结果表明，该算法在避免数据填充所引入误差的同时，有效提 升数据稀疏情况下的推荐质量． 关键词：协同过滤；Parzen窗估计；相对熵；用户属性 CollaborationFilteringRecommendationAlgorithm FacedDistributionofUserInterestDensity BIXiao．Ru (SchoolofManagement,ChongqingNanfangTranslatorsCollegeofUniversitySISU，Chongqing401120，China) Abstract：Aimingtosuchtheproblemshtatsparsedataandpoorcalculationofscoresimilarityresultinlow qualityof recommendation，acollaborativefilteringrecommendationalgorihtm basedondistributionofuserinterestdensiyt is proposedinhtepaper．Aftercalculatinghtesimilariytofitems，classificationandenrtopyarecalculatedtogetfinally similaritybetweentwoitems．Parzenwindow estimationisappliedtogetuserinterestdensitydistributionintotalitem space．Finallyuser’Sattributesimilariyt andrelativeentropy areused todeterminenearestneighbouruserset． Experimentalresultshowshtathtealgorihtm effectivelyraisesrecommendationqualiyt ofsparedatawhileavoiding erroroffillingdata． Keywords：collaborativefiltering；Prazenwindow estimation；relativeentropy；user’Sattributes 近年来，随着互联网的发展，网络数据也呈现指 其存在计算量大，降维导致信息丢失等问题．文献 6【】 数增长，致使用户无法有效地在海量的信息中获取对 将核方法用于推荐系统，较好地解决了以上两种技术 自己有用的信息．因而各种形式的推荐系统应运而生． 存在的缺陷．但该方法存在以下不足：第一、未考虑项 其中，协同过滤推荐是当前应用很广泛，且很成功的 目的类别权重对项 目间距离计算的影响；第二、在计 一 种推荐技术，其基本思想是基于用户一项 目评分数据 算用户相似性时未引入用户属性间的差异性．针对这 集，通过收集相似用户的兴趣信息进而对 目标用户推 一 现状，提出一种面向用户兴趣密度分布的协同过滤 荐，但也存在数据稀疏性、冷启动和扩展性等问题 l【J． 推 荐 算 法 (CollaborativeFiltering Recommendation 针对这些 问题，研究者提 出了多种解决方案，主要包 Algorithm FacedDisrtibutionofUserInterestDensiyt, 括矩阵填充 l【】和矩阵降维[2,31两种技术．矩阵填充技术 DUID．CF)．在计算项 目类别相似度的同时，引入类别 包括默认的值[4