协同过滤算法在电影系统中应用.docVIP

协同过滤算法在电影系统中应用 　　摘要：在大量电影中如何快速找到自身所喜爱的影片是一个很重要的问题，特别是在观众没有明确目标时，推荐系统则可发挥至关重要的作用。结合电影推荐系统的实际需求，通过阐述和分析协同过滤算法的特点和不足，提出了一种改进的协同过滤算法用于电影推荐中，改进了数据稀疏导致推荐系统正确性不高的问题，提高了系统的可靠性。 　　关键词：协同过滤；数据稀疏；电影推荐系统 　　DOIDOI：10.11907/rjdk.151400 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2015）008009202 　　0 引言 　　协同过滤算法是推荐系统的主要算法。本文简单介绍了协同过滤算法，表明数据稀疏是协同过滤算法的一个主要问题，解决数据稀疏问题可以提高协同过滤算法的可靠性及准确度。针对数据稀疏问题提出了自己的见解，将前人对协同过滤算法的改进用于电影推荐系统中，在一定程度上解决了由数据稀疏导致的推荐系统可靠性不高的问题。 　　1 协同过滤算法与数据稀疏问题 　　协同过滤（Collaborative Filtering）主要有3种推荐算法：基于用户（uersbased）的推荐算法和基于项目（itembased）的推荐算法[1]。协同过滤算法存在的主要问题有冷启动问题、数据稀疏问题、实时性问题、空间扩展问题。冷启动问题是数据稀疏问题的一个特例。本文采用基于用户的推荐算法。 　　基于用户的推荐算法是通过分析不同用户对物品的评分，通过模型计算用户之间的相似度，然后基于用户的相似度进行推荐。 　　首先输入用户资料，建立用户资料数据库。同时通过收集用户的历史行为和评分行为，将这些行为转换为用户对物品的评分，建立用户评分矩阵。 　　然后建立最近邻集，针对目标用户和数据库中的所有用户进行计算，找到相似度较高的用户建立最近邻集。计算用户之间相似度的常用方法有Person相关系数（见式1）、余弦相关性系数（见式2）和修正余弦相关性系数[2]（见式3）。 　　最后得出推荐结果。根据建立的最近邻集，计算评测值（见式4），根据评测值大小进行推荐。 　　根据上述步骤可以看出，用户的评分决定用户相似度。所以，用户的评分数据稀疏会导致用户相似度误差很大，推荐系统的可靠性不高。解决数据稀疏问题是提高推荐系统可靠性的关键。 　　2 改进的协同过滤算法 　　数据稀疏是影响协同过滤算法的主要问题。解决数据稀疏问题的基本方法有简单填充法、基于聚类的方法、相似度传递法等。对稀疏矩阵进行填充是这些方法的核心思想。本文运用一种改进的协同过滤算法改善数据稀疏问题。改进算法的思想是改进填充数据稀疏矩阵的数值，提高协同过滤算法的可靠性。首先在最近邻集中计算目标用户与最邻近之间的相似度，每个最近邻用户都产生一个预测值[4]，如式（5）所示： 　　Rai，y=Ra+sim（i，a）（Ri，y-Ri）0 Rai，y≠0Rai，y=0（5） 　　其中，Rai，y表示目标用户a的最近邻i对项目y的预测评分，Ri，y表示用户i对项目y的实际评分，Ra、Ri分别表示用户a和用户i的评分均值，sim（i，a）表示用户a和用户i的相似度。由此得到一个预测评分矩阵，在此基础上根据式（6）得到评分矩阵。 　　Pa，y=∑i∈Nsim（i，a）×Rai，y∑i∈Nsim（i，a）（6） 　　3 实验结果 　　现通过实验来验证改进策略的有效性。实验所用数据来自Movielens数据集，实验所得数据是改进策略的精度值，如图1所示。图1表明改进的协同过滤算法的精度值在0.8～1之间，比较稳定，误差不大。精度值的数值较高，说明该算法具有有效性。因此，实验结果表明，改进的协同过滤算法误差小、稳定性高，且具有有效性。 　　图1 改进的协同过滤算法的精度值 　　4 电影推荐系统模型 　　通过对现有电影推荐系统的观察和研究，结合上述改进算法，本文设计提出基于协同过滤的电影推荐系统模型，如图2所示。 　　5 结语 　　本文简单介绍了协同过滤算法，通过分析协同过滤算法及其存在的数据稀疏问题，设计提出了电影推荐系统模型，并在电影推荐系统中运用了一种改进策略，改善了数据稀疏性问题，提高了电影推荐系统的可靠性及准确度。但是改进算法的精度还存在一定误差，有待进一步提高。 　　参考文献： 　　[1] 许海玲，吴潇，李晓东，等.互联网推荐系统比较研究[J].软件学报，2009，20（2）：350362. 　　[2] 王洋，骆力明.一种解决协同过滤数据稀疏性问题的方法[J].首都师范大学学报：自然科学版，2012，33（4）：15. 　　[3] 查大元.个性化推荐系统的研究和实现[J].计算机应用与软件，2011，28（l）：4749