集成社会化标签和用户背景信息的协同过滤推荐方法.docVIP

集成社会化标签和用户背景信息的协同过滤推荐方法 　　摘要：针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题，提出了一种集成社会化标签和用户背景信息的协同过滤（CF）推荐方法。首先，分别计算基于社会化标签和用户背景信息的用户间的相似度；然后，基于用户评分计算用户间的相似度；最后，集成上述3种相似性度量产生用户间综合相似度，并对目标用户进行项目推荐。实验结果表明，与传统的协同过滤推荐算法相比，所提方法在正常数据集和冷启动数据集下的平均绝对误差（MAE）平均降低了16%和22.6%。该方法不仅能有效地提高推荐算法的精度，而且能较好地解决数据稀疏和冷启动的问题。 　　关键词：数据稀疏；冷启动；用户背景信息；社会化标签；协同过滤推荐 　　中图分类号： TP391； TP18 　　文献标志码：A 　　Abstract： To address the difficulty of data sparsity and lower recommendation precision in the traditional Collaborative Filtering （CF） recommendation algorithm， a new CF recommendation method of integrating social tags and users background information was proposed in this paper. Firstly， the similarities of different social tags and different users background information were calculated respectively. Secondly， the similarities of different users ratings were calculated. Finally， these three similarities were integrated to generate the integrated similarity between users and undertook the recommendations about items for target users. The experimental results show that， compared with the traditional CF recommendation algorithm， the Mean Absolute Error （MAE） of the proposed algorithm respectively reduces by 16% and 22.6% in the normal dataset and coldstart dataset. The new method can not only improve the accuracy of recommendation algorithm， but also solve the problems of data sparsity and coldstart. 　　Key words： data sparsity； coldstart； users background information； social tag； Collaborative Filtering （CF） recommendation 　　0引言 　　伴随着电子商务成为人们生活中不可缺少的一部分，信息过载已成为人们面对的一个巨大挑战[1]。协同过滤推荐技术是解决信息过载问题的一种有效方法[2]，但仍然存在一些困难，如冷启动、数据稀疏、推荐精度等。 　　针对传统协同过滤（Collaborative Filtering， CF）推荐算法[3]存在的上述问题，人们引入了社交网络技术。文献[4]利用了社会网络分析技术分析用户间的关系，将其量化为信任度以填充用户项矩阵，并将信任度融入到用户相似性计算中；文献[5]提出了一种为用户推荐潜在兴趣方向相近的资源的方法；文献[6]由用户社交关系提取用户相关性以提升预测精度；文献[7]提出了一种新的基于用户偏好自动分类的社会媒体数据共享和推荐方法；文献[8]提出了一种基于社会化标注的博客标签推荐方法；文献[9]提出了一种基于双重邻居选取策略的推荐算法来改善传统推荐算法推荐精度低和抗攻击能力差的缺陷。事实上，顾客的购买兴趣往往与其背景信息密切相关，顾客背景不同其兴趣可能差异很大。文献[10]提出一种考虑用户背景信息的协同过滤推荐算法，实现了更准确的推荐效果。 　　上述文献虽然考虑了