一类考虑负面评价个性化系统构架研究.docVIP

一类考虑负面评价的个性化推荐系统构架研究 　　摘要：该文重新考虑了用户的负面评价对改进推荐系统的作用，构建了考虑用户负面评价的个性化推荐算法框架。基于物质扩散算法和MovieLens标准数据集的数值实验结果显示，该算法框架不仅能够识别出并去除掉掺杂在用户推荐列表中的错误推荐信息，使系统中的冗余信息明显减少，还可以显著地提高系统的推荐准确度，改善推荐结果的质量。该工作开辟了利用用户负面评价改进推荐算法的新思路。 　　关键词：推荐算法；负面评价；物质扩散 　　中图分类号：TP312文献标识码：A文章编号：1009-3044(2012)03-0611-03 　　Frame Research of Personalized Recommendation Algorithm by Considering the Negative Ratings 　　SU Ying 　　(Business School, University of Shanghai for Science and Technology, Shanghai 200093,China) 　　Abstract: This paper introduces new recommendation algorithm frame by reconsidering the negative ratings. The numerical results based on MovieLens dataset and the mass-diffusion-based algorithm show that，the new algorithm frame can greatly reduce the redundancy, and also enhance the accuracy and improve the quality of the recommended results. 　　Key words: recommendation algorithm; negative ratings; mass diffusion 　　如何准确识别用户的需求，帮助用户找到自己真正需要的信息成为信息过滤技术的一大挑战。为了解决这些问题，推荐系统，也称为个性化推荐应运而生。个性化推荐系统被认为是信息爆炸时代解决信息超载问题的最有效的信息过滤手段。个性化推荐系统是建立在海量数据挖掘基础上的一种高级智能平台，通过记录用户的网站使用足迹，挖掘用户的兴趣特点，向用户推荐其感兴趣的信息或商品，为用户提供完全个性化的决策支持和信息服务，满足用户的个性化需求，改善用户体验。近几年，各种各样的推荐系统被广泛研究和应用，经典的推荐算法包括协同过滤算法，基于内容的推荐算法，基于网络结构的推荐算法和混合算法等等。 　　然而，目前对个性化推荐算法的研究都关注利用用户喜欢产品的信息预测可能感兴趣的产品，而用户的负面评价信息则没有引起重视。本文重新考虑了在很多推荐算法研究中被忽略掉的用户的负面评价信息对推荐算法改进的意义，构建了考虑负面评价的个性化推荐算法框架。 　　 1负面评价对推荐算法改进的意义 　　现实中应用的推荐系统一般都会向用户提供一个统一的评价体系，方便用户对产品进行评价的同时，还可以使评分数据标准化统一化。几乎所有系统的评分数据都可以大致分为好评和差评两类：好评数据隐含了用户的偏好特征；差评数据隐含了用户的不喜欢产品的特征。以往的推荐算法研究中都会清洗掉用户的负面评价，但我们认为负面评价对于推荐系统具有重要意义，具体表现在以下三方面： 　　1.1利用负面评价可以减少数据稀疏给系统带来的负面影响 　　实际系统中收集的信息，常由于用户不愿意透漏自己的隐私等种种原因，严重缺省。随着维度增加，数据在它所占据的空间中将越来越稀疏，最终导致具有统计意义的数据样本稀少。推荐算法依赖于用户的历史数据，一般来说历史数据越多，系统的推荐准确度相对越高，因此数据的稀疏问题将直接影响系统的推荐质量。忽视用户的负面评价信息在一定程度上增大了系统的数据稀疏性，不利于算法的运行。我们认为用户的负面评价信息有助于降低系统的数据稀疏性，可以有效缓解数据稀疏带来的各种问题，因此用户的负面评价信息应该得到研究者的关注，并将其合理地用于改进推荐算法。 　　1.2负面评价可以帮助系统更准确地定位用户喜好 　　现有的推荐算法或者利用所有评分数据，忽略用户评分数据的高低差异，或者只利用用户正面评价的产品信息，清洗掉用户负面评价的产品信息。用户或产品相似性网络的构建过程中也都只考虑基于正面评价的信息，比如协同过滤算法，总是从偏好出发去搜索相似的偏好；基于网络结构的推荐算法，也只利用用户的喜欢信息去建立二分图网络。在很多情况下，忽