一种基于相对相似性提高推荐总体多样性的协同过滤算法.pdf

研究论文 一种基于相对相似性提高推荐总体多样性 的协同过滤算法 姜书浩 1, 2 张立毅 1, 2 张志鑫 2 1(天津大学电子信息工程学院 天津 300072) 2(天津商业大学信息工程学院 天津 300134) 摘要: 【目的 】以提高推荐系统的总体多样性为出发点, 解决因为用户评分数据分布不均和稀疏造成的误差从而 影响推荐精确性和多样性问题。【方法 】根据用户间共同评分项目的数量, 通过加权计算得出相对相似性指数, 修 正相似性计算方法, 进而优化预测评分算法, 在保证推荐精确性的前提下提高总体多样性, 提升企业的长尾营 销效果。【结果 】实验结果表明, 当评分阈值为3.5, 最近邻数目为20 时, 本文方法在 MovieLens 数据集上的计 算结果相对于采用传统的余弦相似性计算结果, 总体多样性提高了 114, 精确性提高了 6.5%。【局限 】仅适用于 基于最近邻的协同过滤算法, 并不涉及其他推荐技术。【结论 】该方法有效地提高了推荐的总体多样性, 获得推 荐精确性和总体多样性用户相对满意度都较高的推荐结果。 关键词: 总体多样性 相对相似性 协同过滤 分类号: TP301 户带来更好的满意度。 1 引 言 推荐系统的精确性和多样性是完全不同的两个方 对于每一个用户来说, 如何从海量信息中甄别出 面, 一个好的推荐系统应该兼顾这两个推荐标准, 然 有用的信息, 十分困难但却又非常重要。个性化推荐 而这两个标准是相互制约的。如果大幅提高推荐结果 系统是解决这一问题的重要方法, 它帮助用户从庞大 的多样性, 精确性必然会受到影响, 从而使推荐的结 的数据集合中选择最合适的信息。推荐系统通过确定 果相关性不强; 如果推荐结果的精确性较高, 多样性 用户的偏好[1], 向特定用户推荐最适合他的或者他最 同样受损, 推荐结果会出现较高的相似性而显得呆 感兴趣的项目。推荐算法主要包括基于内容的推荐、 板。已经有非常多的研究关注如何提高推荐系统的多 协同过滤推荐以及混合推荐等。推荐系统广泛应用于 样性, 但是这些研究中更多专注于提高某特定用户推 电影、音乐、图书、旅游、电子商务[2] [3] 荐列表的多样性, 称为个体多样性, 除此之外, 多样 、社交 和网络 搜索等方面。精确性是评价推荐系统的一个重要指标, 性还有一个指标称之为总体多样性, 总体多样性可以 它是评价推荐给用户的项目是否是最适合的, 但是这 被理解为向不同的用户推荐不同项目的数量[1, 4] 。有效 种方式推荐的信息用户很可能早已从其他渠道得到, 提高推荐结果的总体多样性, 不仅能满足用户的个性 因此很多情况下没有必要。而评价推荐系统优劣的另 化体验要求, 而且可以有效提升长尾营销的效果[5], 一个重要指标多样性, 越来越受到研究人员和用户的 帮助企业实现利润最大化。总体多样性是不直接关系 关注, 多样性反映的是推荐项目种类的差异性。一些 到个体多样性的。 学者甚至称, 多样性在某些情况下超过精确性能给用 协同过滤推荐系统中依据用户的评分数据做出推 通讯作者: 姜书浩, ORCID: 0000-0002-7706-063X, E-mail: mr_jiang1980@163.com 。 44 现代图书情报技术 总第277 期 2016 年 第12 期 荐, 而评分数据集经常存在数量分布不均以及稀疏性 流的方法是一个基于图的算法, 通过制定用户和项目 等问题, 造成推荐结果产生误差, 这种误差对于推荐 之间的最大流问题以改善推荐