融合用户兴趣度及项目相关度电影推荐算法探究.docVIP

融合用户兴趣度及项目相关度电影推荐算法探究 　　摘要：在目前的电影推荐系统中，传统的推荐算法具有用户评分数据稀疏的不足，因此无法根据用户喜好进行准确推荐。针对上述??题，本文提出一种融合用户兴趣度与项目相关度的电影推荐算法，此算法基于项目类别属性的用户兴趣度计算用户间相似性，并结合基于关联规则思想计算项目间相似性从而产生推荐。基于Movielens数据集的实验结果表明，本文所提出的算法比传统的推荐算法在推荐准确度上有明显提高 关键词：电影推荐；用户兴趣度；项目相关度；协同过滤 中图分类号：TP301.6 文献标识码：A 文章编号：1009-3044（2017）08-0022-05 随着互联网的迅速发展，网络中的电影数据海量增加，用户对于更准确高效的电影推荐需求越来越迫切，因而能够提供个性化推荐结果的推荐系统（recommerwler systems）越来越多地被运用到电影网站中。现有的推荐技术主要包括基于内容的推荐（Content-Based Recommendation）、协同过滤（collaborative filtering）推荐以及混合推荐（HybridApproach）等，其中协同过滤算法在电影推荐系统中应用最广泛。协同过滤算法的原理是基于对用户一项目评分矩阵的分析，利用历史评分数据获取目标用户的最近邻用户，根据最近邻用户的评分数据进行目标用户的推荐。然而，随着网络和用户规模的日益扩大、项目和用户数量的爆炸式增长，传统的协同过滤推荐算法存在的弊端就会体现：由于用户一项目评分矩阵存在极大的数据稀疏性，推荐结果往往存在偏差，推荐精度较低 对于数据稀疏性问题，许多学者对传统的协同过滤算法进行修改和完善。Luo等提出用户局部相似性和用户全局相似性的概念来计算用户间的局部相似性和全局相似性，从而产生局部最近邻和全局最近邻，然后计算两种最近邻的预测评分，并通过一个权重控制参数平衡两种预测评分的贡献度。Anan等对Luo的工作进行拓展，考虑评分数据的整体稀疏度和局部稀疏度，由此可以产生可变的估算权重控制参数。Choi等计算用户相似性时考虑目标项目与所有项目的相似性，与目标项目越相似，它在计算最近邻的过程中影响就越大。Lee等嘴时间信息融入到协同过滤算法中，将时间分为若干阶段并给每一阶段赋予相应的权重值，最后基于这些时间权重获取推荐结果。Chen等提出一种基于影响集的协同过滤算法，计算目标项目的最近邻和逆最近邻并分别产生预测结果，最后通过4种方法融合预测结果。Leem等通过基于用户和基于项目的协同过滤产生两种预测结果，再以共同评分数作为权重参数混合预测结果。Wang等提出的基于相似性融合的协同过滤算法是结合目标用户对邻居项目的评分、邻居用户对目标项目的评分、相似用户对相似项目的评分3种数据，并通过评分标准化及概率方法实现预测推荐。Sandyig等结合了数据挖掘的思想，提出了一种基于关联规则挖掘的协同过滤推荐算法 基于以上研究，本文进一步提出了一种融合用户兴趣度与项目相关度的电影推荐算法，该算法从用户和项目两个方面来解决相似性度量的问题，通过用户间相似性计算得到候选邻居集合，并在此基础上结合项目间的关联关系得到双重邻居选取后的最近邻用户集合，由此产生最终的推荐结果。其中在改进的用户相似性度量过程中引人用户共同评分和用户对项目类别属性的偏好，同时通过挖掘项目间的关联关系计算项目关联度。通过结合以上二者，本文所提出的方法能够对传统基于协同过滤的电影推荐算法进行改进，有效解决数据稀疏性的问题，保证电影推荐的质量和精确度 1相关研究 1.1基于协同过滤的传统电影推荐算法 在传统的电影推荐算法中，应用最广泛的是协同过滤算法。根据Breese等人的分类方法，协同过滤算法可以分成两类：基于记忆的协同过滤和基于模型的协同过滤。其中基于记忆的协同过滤算法通过用户一项目评分矩阵获得用户间或项目间的相似关系，然后以这种相似关系产生进行推荐，主要又可分为基于用户的协同过滤算法（User-based Collaborative Filtering，UBCF）和基于项目的协同过滤算法（ITem-based CollaborativeFiherinG，IBCF）两种 传统的协同过滤推荐算法基于用户-项目评分矩阵R（M，n）寻找目标用户的最近邻（nearest neighbor）集合，集合U表示所有用户，集合I表示所有项目，其中m行表示m个用户，n列表示n个项目，Ri，j表示用户i对项目j的评分值，这个评分值体现了aseri对itemj的兴趣和偏好。用户-项目评分矩阵如表1所示： 以用户-项目评分矩阵为基础，采用基于用户或基于项目的相似性度量方法来计算用户间或者项目间的相似度，根据相似度的值寻找最近邻用户或最近邻项目