一种基于加权因子混合协同过滤算法.docVIP

一种基于加权因子的混合协同过滤算法 　　摘要：为改进传统协同过滤算法的准确率问题，该文提出一种基于加权因子的混合协同过滤算法。该算法核心是将传统的用户和物品协同过滤算法预测集合进行交集运算，并对其评分进行加权混合得到推荐结果。通过在MovieLens-100k数据集上与传统协同过滤算法进行比较，结果表明，该文的混合协同过滤算法在平均绝对误差和均方根误差两个评价指标上都优于传统协同过滤算法。 　　关键字：协同过滤；混合协同过滤；MovieLens-100k数据集 　　中图分类号：TP31 文献标识码：A 文章编号：1009-3044（2018）09-0014-03 　　Abstract： In order to improve the accuracy of traditional collaborative filtering algorithm， this paper proposes a hybrid collaborative filtering algorithm based on weighting factors. The core of this algorithm is to combine the traditional user and item collaborative filtering algorithm to get the recommended result. Compared with the traditional collaborative filtering algorithm on MovieLens-100k data set， the results show that the hybrid collaborative filtering algorithm is superior to the traditional collaborative filtering algorithm in both average absolute error and root mean square error. 　　Key words： Collaborative filtering； Hybrid collaborative filtering； MovieLens-100k data set 　　协同过滤算法是通过用户和网页的互动过滤掉用户不喜欢的商品，从而对用户进行推荐。最早于1992年被应用于邮件过滤系统，之后又被GroupLens应用于新闻过滤系统，直至今日，仍被各大电商网站，如淘宝、京东所应用。然而经过大量学者研究发现，协同过滤算法存在几个不足之处：冷启动性，数据稀疏性，可扩展性和准确性问题。其中，端德坤和傅秀芬针对冷启动性问题进行了研究，通过引入用户信任机制和人口统计学信息对其进行改进，在一定程度上对冷启动性问题进行了缓解[1]。何佳知是将基于内容和协同过滤算法相结合，并融入了k-means算法，有效地解决数据稀疏性这一问题[2]。但准确率仍然是推荐算法最核心的问题。本文则针对准确性问题，提出了一种混合协同过滤算法，该算法通过加权因子将基于用户的和基于物品的协同过滤算法相结合。并在MovieLens-100k数据集上进行测试比较，结果表明本文的混合协同过滤算法在准确率方面有显著提高。 　　1传统的协同过滤算法概述 　　协同过滤算法被分为两大类：基于内存的协同过滤算法和基于模型的协同过滤算法。其中基于内存的协同过滤算法由分析目标的差异被分为：基于用户的协同过滤算法（UCF，user-based collaborative filtering）和基于物品的?f同过滤算法（ICF，item-based collaborative filtering）。本文算法主要将基于内存下的两类算法进行混合，下面详细介绍基于用户和基于物品的协同过滤算法。 　　1.1 基于用户的协同过滤算法 　　基于用户的协同过滤算法核心思想是给用户推荐与其兴趣相似的用户所喜欢的物品，主要根据用户相似度和用户行为数据信息进行预测推荐。该算法实现需要两个步骤： 　　（1）找到和目标用户相似的用户群体。用户之间的相似度通常使用皮尔逊相关系数、余弦相似度或修正的余弦相似度公式来度量[3]，公式定义分别如下所示： 　　其中，[Rui]和[Rvi]分别表示用户u和用户v对物品i的评分值，[Iuv]表示用户u和用户v有过评分物品集合的交集，[R_u]和[R_v]分别表示用户u和用户v有过物品评分的平均值。 　　（2）根据用户之间的相似度，通过公式（1.4）计算目标用户u对物品i的预测评分： 　　其中，[Rui]表示用户u对物品i的预测评分，[NUu]表示与用户u相似的用户集合。 　　1.2 基