协同过滤一种个性化算法研究.docVIP

协同过滤一种个性化算法研究 　　摘要：在分析传统推荐算法不足的基础上，提出一种稀疏矩阵下的个性化改进策略。首先进行一对一的个性化预测，得到虚拟用户评分矩阵，在此基础上再进行综合预测。该方法避免了传统推荐算法中推荐值与用户相似度不密切相关的弊端，提高了协同过滤的预测精度，尤其是在矩阵极端稀疏情况下的预测精度。最后通过实验验证了算法的有效性和优越性。?? 　　关键词：协同过滤；稀疏矩阵；相似度；个性化推荐?? 　　中图分类号：TP391文献标志码：A 　　文章编号：1001－3695(2008)01－0039－03 　　 　　协同过滤算法不依赖于商品的语义描述，只根据用户的意见或行为即能产生推荐，是目前推荐系统(recommender system)中应用最广泛和成功的技术。但是协同过滤推荐系统中项目空间巨大，导致矩阵极端稀疏。传统的推荐算法在高维稀疏矩阵上进行运算往往导致不准确的推荐，从而影响系统的应用和推广。本文从协同过滤的推荐算法入手，指出传统推荐算法在矩阵稀疏情况下的不足，进而提出一种新的个性化推荐策略，通过算法进行模拟，改进了精度。?? 　　 　　1协同过滤算法及分析?? 　　 　　1．1协同过滤工作原理?? 　　在实际生活中，对于不熟悉的问题或事物，人们往往要咨询自己的朋友或是信任的人，根据他们的判断和看法和作出自己的选择。 ?? 　　协同过滤就是模拟这个过程，根据用户的行为和其他用户的行为（评分、评论、购买历史、浏览次数、在某一网页上的停留时间等）的比较，找出最相似的邻居，根据与之最相似邻居的兴趣或偏好预测出该用户的兴趣或偏好，以帮助其进行决策的一种算法。?? 　　图1显示了协同过滤的原理[1]。其中用户1、2和3都对项目A、B和C表现出兴趣，如这三个用户都评价了电影A、B和C，这种重合表明他们有相似的兴趣。因此，可以认为向用户2推荐D和E是比较可行的，因为D和E都被用户1和3所喜欢。?? 　　协同过滤基于以下假设：人与人之间存在偏好和兴趣上的相似；人对事物的偏好是具有稳定性的，因此可根据过去的偏好预测未来的选择。?? 　　1．2协同过滤算法的步骤?? 　　一般说来，协同过滤算法可以分为构建用户档案、寻找最近邻、产生推荐[2]三步。?? 　　1)构建用户档案收集用户的评分、评价行为等，并进行数据清理、转换和录入，最终形成用户对各种项目的评价矩阵，如表1所示。其中：R????ij代表第i个用户U??i对商品I??j的评分。一般说来，0≤R????ij≤5。分数越高，用户对该项目的认可度越高。?? 　　 　　更进一步，如果这个向量代表的用户i是许多乃至所有用户的最近邻居，那么对所有目标用户而言，对某一项目的推荐值都为这个用户的原始评价值。如果这个用户对某一项目的评价为5，那么所有用户都会根据这个用户的评价值得到为5的推荐值。这个项目将成为排行榜上的第一名（top one），这是不准确的。因为这个推荐仅仅是根据一个用户对这个项目产生的比较极端的评价；相反，如果这个用户对某一项目产生一个极端低的评价，如1，那么这个项目也就永远不能有机会推荐给其他人。这两种情况都是非常不符合实际情况的。上述两种情况由于数据集的巨大而时有发生。传统的推荐算法在矩阵稀疏的情况下，严重影响了系统的推荐精度，降低了系统的可信度。?? 　　2改进的个性化推荐策略及算法?? 　　 　　2．1个性化的推荐策略及原理?? 　　在矩阵稀疏的情况下，传统推荐算法在一定程度上抹煞了用户间的相似度对推荐结果的影响。尤其是当最近邻居集内只有一个用户对某个项目产生评价时，最后的推荐精度大大降低。?? 　　在现实世界中，人们常常咨询朋友或信任的人。他们的推荐往往是一对一的行为，即找到一个相似的用户，根据目标客户与相似客户的相似度产生对某一项目的预测值；再找到一个相似的用户，根据它们之间的相似程度产生一个预测值……，直到找完所有的相似用户；最后根据每个相似用户产生的预测值产生最后的预测值。这个过程如图2右侧所示；左侧部分为传统推荐算法的推荐过程。?? 　　2．2个性化推荐算法?? 　　根据2.1节的分析，个性化推荐算法可分为两个步骤，即一对一的个性化预测和综合相似度的最终预测。?? 　　根据一对一的原理，本文对传统的两种推荐算法进行改进，即目标客户对某个项目的评价是根据最近邻居集内的每个邻居产生一个评价；最后根据所有对这个项目产生过评价的最近邻居再次引入相似度，产生一个综合评价。这个个性化的推荐算法如式(8)所示。?? 　　 　　3．3实验过程?? 　　1）相似度公式的选取?? 　　式(1)~(3)是协同过滤算法常用的三种度量相似度的公式。为了获得较好的实验结果，本文分别用这三种公式对测试集和训练集用户之间的相