基于用户行为与角色约束的协同过滤算法.pdfVIP

第10卷 第6期 vO1．1ONO．6 20lli6门 Jun 201l 基于用户行为与角色约束的协同过滤算法 尹柱平 (桂林 电子科技大学 商学院，广西 桂林 541004) 摘 要 ：针对传统CF算法中稀疏评分数据及其产生的用户间相似性不准确问题，提 出以用户行为对应一定分值代 替空缺评分的方法来修正用户 I—U评分矩阵，并以角色下的权重系数 K约束最近邻的计算 。实验表 明，改进 的算法 具有更优 的推荐质量。 关键词 ：协同过滤；I—u评分矩阵；最近邻；用户角色；用户行为 中图分类号 ：TP301．6 文献标识码 ：A 文章编号 ：1672—7800(2011)06—0037—02 分项 的打分 ，假定存在用户 X，Y和 A都 已对 Item 1打 0 引言 分 ，且用户 X，Y也对 Item2打分 ，那么用户 A对 Item2可 能会打多少分呢? 协同过滤推荐算法是 目前研究和应用最为广泛 的推 表 1 用户评分表 荐技术之一 ，它可忽略项 目对象本身的内容 问题 ，能既应 ＼ “g Item1 Item2 用在可计算 的文本领域和非结构化的复杂对象领域 ，如 电 — — !! 二=== ～—— 影 、音乐和 图书等 。协 同过滤推荐如 同现实 中的 口碑一 样 ，可发现用户可能感兴趣 的新 内容 ，而不局限于用户原 A 4 7 有 的感兴趣 内容 。 根据 SlopeOne算法 ，应该是：4一[(5—3)+ (4—3)／ 形成用户的最邻近用户集是协同过滤推荐算法 中最 2]一2．5。但这一算法默认了用户对 Item2的打分倾 向是 为关键 的一步 ，但协 同过滤推荐算法存在稀疏性 问题 ，以 相似甚至是相 同的，是可允许通过其他任意用户 的打分来 稀疏的打分产生用户间的相似性可能并不准确，从而影响 预测评分。但如果用户之间的打分倾 向并不同，这个式子 了算法的准确性。针对这一问题，本文提出了一种改进的 就不成立 了。 协同过滤推荐算法。并通过实验 比较了本算法和传统CF slopeone算法容易陷入一个逻辑 的死循环 ，计算 用 算法 的精确度 。 户的相关性并预测评分是根据相似用户的评分来计算。 故本文认为 ，在计算用户相似性时，不能忽略影响用户偏 1 问题 的提 出 好或评分倾 向的一些重要而稳定的属性 。以用户之间存 在着共 同的明确而稳定的属性进行不同用户群的划分，由 协同过滤推荐算法是基于用户对项 的评分作为学习