基于用户行为与角色的协同过滤推荐算法①-计算机系统应用.PDFVIP

2011 年 第 20 卷 第 11 期 计 算 机 系 统 应 用 基于用户行为与角色的协同过滤推荐算法① 李幼平 1,2，尹柱平2 1(桂林航天工业高等专科学校 党委，桂林 541004) 2(桂林电子科技大学 商学院，桂林 541004) 摘 要：针对传统协同过滤推荐算法中以稀疏评分计算用户相似性可能并不准确的问题，提出以用户行为对应 一定分值填补空缺的 I-U 评分矩阵，并以分角色下的权重系数 K 约束用户相似性计算的改进协同过滤推荐算法。 实验表明，改进算法的推荐质量更高。 关键词：协同过滤；I-U 评分矩阵；相似性计算；用户行为；用户角色 Collaborative Filtering Recommendation Algorithm Based on Users’ Behavior and Roles LI You-Ping1,2, YIN Zhu-Ping 2 1(Guilin College of Aerospace Technology, Guilin 541004, China) 2(School of Business, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: There are sparse ratings problem in the traditional CF recommendation algorithm, and based on this sparse ratings will lead to the fact that the similarity may not be accurate. For this reason, a CF algorithm based on fixed I-U ratings matrix, which is given by a certain ratings of user behavior instead of vacancies rating, and weighted coefficient K bases on users’ role to constrain the similarity calculation is proposed. Experiments show that the improved algorithm has better recommendation quality. Key words: collaborative filtering; I-U score matrix; similarity calculation; users’ behavior; users’ role. 协同过滤推荐算法（collaborative filtering recom 算法的准确性。故本文提出了一种改进的协同过滤推 mendation algorithms ）是目前应用和研究最为广泛的 荐算法。并通过验证实验表明本算法有更高精确度。 推荐技术之一[1]，它根据用户对项的 I-U 评分矩阵来计 算用户的相似度，从而产生目标用户的最邻近用户集， 1 基于用户行为与角色的推荐算法 通过这一集合中用户对项的打分预测产生目标用户对 1.1 问题的提出 未知项的打分，取预测打分最高的首选若干项作为结 传统协同过滤推荐算法基于以下假设：如果用户 果推荐给用户。它可忽略项目对象本身的内容问题， 对一定项的打分较相似，则他们对其他项的打分也较 能应用在可计算的文本领域和非结构化的电影、音乐 相似。它是以用户对项打分的 I-U 评分矩阵作为学习 和图书等复杂对象领域[2] 。这一推荐如同现实中的口 用户偏好并产生推荐的基础，但用户的打分常常十分 碑，不局限于用户原有的感兴趣内容，可发现用户可 稀疏。 能感兴趣的新内容。 事实上，用户对项的打分作为对资源项的偏好表 形成用户的最邻近用户集是协同过滤推荐算法中 达，但同时，用户的