一个基于修正评分矩阵的协同推荐算法1.docVIP

一个基于修正评分矩阵的改进协同过滤算法 摘要：文中对推荐算法进行了研究，分析了现有算法的缺点，提出了基于修正评分矩阵的改进协同过滤算法：算法通过对隐式兴趣度的获取和对评分矩阵降维的这种方式，来解决矩阵冷开始和稀疏性等问题，以此提高推荐系统的有效性。 关键词：推荐系统；协同过滤算法；隐式兴趣度；矩阵降维； 随着电子商务的不断扩大，商品个性化推荐系统应运而生。分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。基于用户的协同过滤算法基于用户的协同过滤算法基于用户的协同过滤一种典型的推荐技术有其相当的应用，但随着商务系统规模的不断扩大，用户空间和项目空间急剧增长，该算法稀疏性冷开始扩展性用户协同过滤算法t Vt(c,i) t Vt(c,i)= Vt(c,i) t≤Vt(c,i)≥t 0 Vt(c,i)t 将t和t确定为阀值。如果用户在网页逗留的时间超过t时，可能是异常情况发生所致。所以实际访问时间等于t。如果用户在页面上停留时间过于短暂，小于t 给定值，这样就不能准确地反映用户兴趣，予以忽略。 （2）用户c对项目的兴趣度if(c,i) if(c,i)= Vt(c,i)/k k代表网页包含的字节数。 （3）用户c对项目的修正兴趣度IF(c,i) 由于用户的浏览习惯不同，对if(c,i)进行修正，记为IF(c,i) IF(c,i)= if(c,i)/maxif(c,j) j=1….n （4）混和评分s(c,i) 根据修正兴趣度，用隐式评分数据补充评分矩阵，记为混和评分数据s(c,i) s(c,i)=αZ+βIF(c,i)*Z 其中Z表示原始评分数据库中的分值，Z表示分数的最高值，αβ代表权重。 四 评分矩阵的降维 在用户和商品信息中归纳出“用户类别”和“信息类别”两类语义作为分类标准，以此 降低矩阵维度。 1)用户类别 访问商务平台的用户可以按多种方式分为不同的类别，如按职业分可以有教师、医生、律师等，按教育程度中学、大学等。那每类用户关注的信息仅限定于特定的范围。因此，可以根据用户的不同类别在相应的评分矩阵中进行邻近查找和推荐，来降低矩阵的维度，从而提高实时推荐的效率。 2)信息类别 商务平台往往提供了丰富的信息资源，而每类用户只会访问，对部分信息资源进行评分。因此可以先将这些资源分类，然后在与用户兴趣相关的子类中进行邻近查找和推荐，以解决降低维度以及数据稀疏给推荐系统带来的影响。 【1】Sarwar,B．，Karypis,G．，Konstart,J．，and Riedl，J．Analysis of Recommendation Algorithms for E-Commerce．ACM Conference on Electronic Commerce，2000． 【2】Karypis，G．Evalcation of Item·based top-n Recommendation Algorithms． In Proceedings of the Tenth International Conference on Information and Knowledge Management(CIKM)，2001． 【3】 Schafer,J．B．，Konstan，J．A．，and Riedl，J．E—Commerce Recommendation Applications．Data Mining and Knowledge Discovery，2001． 【4】 Deng Ailin．A collaboration filtering recommendation algorithm based on item rating prediction．Jocrnal of Software(in Chinese)，2003，14(9)：1621—1628 【5】 Claypool，M．，Le，P—Waseda,．M．，and Brown,D．Implicit Interest Indicators．In Proceedings of ACM Intelligent Cser Interfaces Conference 2001