一种融合项目特征和移动用户信任关系的推荐算法-论文.pdfVIP

1818 JournalofSoftware软件学报 Vo1．25，No．8，August2014 互联网的迅速发展引发了信息过载问题．推荐系统作为解决信息过载问题的重要手段，在 电子商务等领 域 【l被广泛应用，主要通过发现用户的潜在需求并主动 向用户推荐满足其需求的项 目，将不相关的项 目过滤 掉以缓解用户的信息负担．目前，协同过滤算法是推荐系统中应用最广泛的推荐算法，协 同过滤算法主要分为两 类：基于内存的方法和基于模型的方法[．但协同过滤推荐系统中普遍存在评分数据稀疏问题，即用户评价或查 看的项 目远远小于用户未评价或未查看 的项 目．由于评分数据的稀疏不能准确地获取用户偏好，影响了协 同过 滤推荐算法的性能，是协同过滤推荐的一大挑战 5【I6】．随着移动通信技术和移动互联网的迅速发展，移动网络服 务和信息内容的迅速增长 已超出人们所能接受的范围，导致了移动信息的过载．推荐系统作为信息过滤的有效 手段，在移动领域中也得到了广泛的关注．由于移动设备的限制(如屏幕小、输入能力差等)，移动用户的评价反馈 行为变得更不方便，评分数据稀疏，在移动推荐系统中依然是影响移动推荐性能的重要因素． 基于用户的协 同过滤推荐算法的基本思想是：通过计算用户偏好的相似性，找到与 目标用户相似的其他用 户，然后利用相似用户 的偏好对 目标用户的偏好进行预测并推荐．传统的基于用户的协同过滤推荐算法利用用 户对项 目的评分，通过余弦、Pearson等方法来计算用户间的相似度，把不同的项 目视为不同的维度，通过用户在 相同维度上的评分来计算其相似度．当用户评分数据稀疏时，用户之间的共同评分较少；当根据用户之间的共同 评分数据来计算用户之间的相似度时，不能准确地衡量用户之 间的相似度，从而影响推荐系统的性能．余弦、 Pearson等方法在计算用户相似度时都忽略了用户在不同项 目上的评分对用户间相似度的影响，如某演员主演 的动作电影 与电影 B，用户U1对电影 进行了评分，用户 U2对电影B进行了评分，由于用户U1与U2之间没有 共同评分，余弦或 Pearson等方法不能计算用户之间的相似度，从而认为用户U1与 U2之间不相似．但从人的认知 来说，这两个用户有一定的相似性，因为他们对相似的两部 电影(主演相 同而且都是动作片)进行了评分．为了充 分利用移动用户现有的、在不同项 目上的评分来计算移动用户之间的相似度，本文将图像检索中常用的距离计 算方法 EMDt7,s]~JI入到移动推荐中，将项 目特征融入到用户 的相似度计算中，改变传统方法中一对一(只考虑移 动用户在相同项 目的评分)的相似度计算，实现多对多(考虑移动用户在不同项 目上的评分)的相似度计算，在一 定程度上缓解评分稀疏对移动用户相似度计算的影响．为避免评分数据稀疏对计算用户相似度的影响，研究者 将用户社会关系引入到推荐系统中[9，l，利用用户社会关系进行推荐．本文将通过移动用户 的移动通信数据挖 掘移动用户间的信任关系 并与融合项 目特征的移动用户相似关系进行混合推荐． 本文第 1节介绍协同过滤推荐算法的相关工作．第2节介绍基于EMD的移动推荐算法．第 3节介绍实验并 分析实验结果．第4节总结全文并给出下一步的研究方向． 1 相关工作 基于 内存的协同过滤推荐算法主要关注用户之间或项 目之间的相似关系，基于用户的协同过滤推荐算法 首先根据用户的历史数据计算用户之间的相似度，如用户评分数据、浏览数据等．其中，评分数据是推荐系统中 常用的用户历史数据．通常，基于评分数据使用余弦、Pearson等方法来计算用户之间的相似度[2,9-11],再根据用 户相似度选择最相似 的用户作为邻居，利用相似邻居的偏好进行预测．余弦方法使用向量空间模型来表示用户 的偏好，每个项 目作为向量的一个维度，用户对该项 目的评分表示用户对项 目的偏好权重，用户的相似度根据两 个用户在相同项上的评分来计算，如果没有共 同评分则无法计算用户相似度．余弦方法没有考虑用户 自身的评 分尺度，不同用户有不同的评分尺度，用户对同样喜欢的电影评分不同，如用户Ul评分为3表示喜欢该电影，而用 户 U评分为 4才表示喜欢．为了更准确地计算用户之间的相似度，Pearson、改进余弦等方法考虑了用户自身的 评分尺度．推荐系统中普遍存在评分数据稀疏问题[5】，用户评分的项 目远小于没有评分的项 目．余弦、Pearson等 方法都是基于共同评分项 目计算用户相似度，由于评分数据稀疏，用户之间的共同评分项目数量小，不能准确计 算用户之间的相似度．文献 1『