综合用户和项目预测协同过滤模型.docVIP

综合用户和项目预测协同过滤模型 　　摘要：针对基于用户和基于项目的协同过滤模型存在推荐质量不高等问题，提出一种综合用户和项目预测的协同过滤模型该模型同时考虑用户和项目两方面，首先对性能优秀的相似性模型进行自适应的优化；然后根据相似性值分别选取相似用户和相似项目为目标对象构造近邻集合，并利用预测函数得到基于用户和基于项目的预测结果；最后通过自适应平衡因子的协调处理获得最终预测结果比较实验在不同的评估标准下进行，结果表明，与目前典型的模型如RSCF、HCFR和UNCF相比，新提出的协同过滤模型不仅在项目预测准确性方面拥有出色的表现，而且在推荐准确性和全面性方面同样表现优秀 　　关键词：推荐系统； 协同过滤； 近邻集合； 相似性模型； 平均绝对偏差 　　中图分类号：TP311.13 文献标志码：A 　　0引言 　　目前推荐系统的应用领域已非常广泛，尤其是Web 2.0技术的成熟，推荐被作为一个独立的概念提出来并得到深入研究[1]根据推荐信息产生原理的不同，推荐模型可以分为多种[2-5]，其中研究最为深入并取得长足进展的是协同过滤推荐模型，它开始于1992年提出的Goldberg系统，目前已在各大推荐系统中得到广泛应用[6]这主要是由于它能够利用各种性能优秀的相似性分析技术来更好地寻找与目标用户有着相同或者相似兴趣爱好的用户，然后根据这些用户的兴趣爱好来向目标用户进行信息推荐 　　但通常的协同过滤模型往往只考虑单一群体的影响，忽视了其他关联群体的作用，如基于用户的协同过滤[7]和基于项目的协同过滤[8]，预测信息不够全面，这在一定程度上影响了最终的推荐质量针对此问题，目前多数的研究者一般倾向于两种解决途径：1） 混合过滤模型[9]，即将不同的推荐模型通过某种方式与协同过滤模型结合起来，以弥补各自的缺陷；2） 综合不同的数据源进行协同过滤，从而获得较好的推荐效果，如文献[10]中 　　基于评分支持度的最近邻协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm Based on Nearestneighborhood and Rating Support，RSCF）利用评分支持度，来自适应地调节基于用户和基于项目两方面的评分预测结果获得最终推荐同样的还有 　　一种综合用户和项目因素的协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm Based on Both User and Item，HCFR）[11]， 　　以及不确定近邻的协同过滤（Uncertain Neighbors Collaborative Filtering，UNCF）推荐算法[12]等 　　为了获得用户和项目两方面的统计信息，本文首先利用性能优秀的相似性模型来度量对象之间的相似性，然后基于预测函数分别获得来自于用户方面和项目方面的预测结果，整个计算过程没有预先设置其他参数在此基础上，本文利用自适应平衡因子综合了两方面的预测结果，提出了 　　综合用户和项目预测的协同过滤模型（Collaborative filtering Model combining Users and Items predictions，CMUI），介绍了系统的预测与推荐过程 　　1问题描述 　　1.1用户—项目评价数据 　　矩阵R（m，n）中的元素如r2，2表示用户2对项目2的评价值，没有评价值则用r2，2=null表示，评价值的大小体现了用户对该项目感兴趣的程度，通常值越大，表明用户对项目感兴趣的程度越高 　　1.2相似性度量模型 　　为方便说明，本文将需要获得项目推荐的用户u称为目标用户，而将需要进行评分预测的项目i称为目标项目，两者合起来称为目标对象 　　根据评分矩阵R（m，n），可以利用不同的相似性模型获得对象之间的相似性目前常用的模型有：皮尔逊相关模型（Pearson Correlation，PC）、余弦模型（Cosine，COS）、受约束的皮尔逊相关模型（Constrained Pearson Correlation，CPC）和斯皮尔曼等级相关模型（Spearman Rank Correlation，SRC），限于篇幅，这些模型的表达式不再列出，详见文献[13]对象间相似性度量的准确性会直接关系到推荐模型的推荐质量，因此为了较好地度量对象之间的相似性，必须寻求一种性能优秀的相似性模型PC模型由于在同等的条件下拥有更好的性能（见图1），因此本文选择PC作为用户间的相似性度量模型，表达式如下： 　　其中：ru，i和rv，i为用户u、v关于项目i的评分；Iuv表示用户的公共评价项目集合；ru和rv为用户的评价项目均值PC（u，v）的