基于加权二部图个性化算法.docVIP

基于加权二部图个性化算法 　　摘要:针对网络推断(NBI)算法的二部图实现算法忽略二部图权重而导致实际评分值高的项目没有得到优先推荐这一问题,提出加权网络推断(WNBI)算法的加权二部图实现算法。该算法以项目的评分作为二部图中用户与项目的边权,按照用户项目间边权占该节点权重和的比例分配资源,从而实现评分值高的项目得到优先推荐。通过在数据集MovieLens上的实验表明,相比NBI算法,WNBI算法命中高评分值项目数目增多,同时在推荐列表长度小于20的情况下,命中项目的数量和命中高评分项目数量均有明显增加。 　　关键词:二部图;加权二部图;个性化推荐 　　中图分类号: TP181;TP301.6文献标志码:A 　　Personalized recommendation algorithm based on weighted bipartite network 　　英文作者名ZHANG Xin-meng*, JIANG Sheng-yi 　　英文地址(Cisco School of Informatics, Guangdong University of Foreign Studies, Guangzhou Guangdong 510006,China) 　　Abstract: In Network-Based Inference (NBI) algorithm, the weight of edge between user and item is ignored; therefore, the items with high rating have not got the priority to be recommended. In order to solve the problem, a Weigted Network-Based Inference (WNBI) algorithm was proposed. The edge between user and item was weighted with item?s rating by proposed algorithm, the resources were allocated according to the ratio of the edge?s weight to total edges? weight of the node, so that high rating items could be recommended with priority. The experimental results on data set MovieLens demonstrate that the number of hit high rating items by WNBI increases obviously in contrast with NBI, especially when the length of recommendation list is shorter than 20, the numbers of hit items and hit high rating items both increase. 　　Key words: bipartite network; weighted bipartite network; personalized recommendation 　　0引言 　　个性化推荐研究于20世纪90年代被作为一个独立的概念提出来,其目的是根据用户的喜好为用户推荐感兴趣的商品或信息,推荐算法的关键是如何提高推荐精度和效率,对此研究者提出了多种改进策略和算法。目前,个性化推荐方法主要有基于规则的推荐、协同过滤推荐、基于内容的推荐、混合推荐系统以及基于网络的推荐等。 　　基于内容推荐算法[1-2]根据用户喜爱的项目信息,找出相似度最高的项目推荐给用户。基于内容的推荐系统分别对用户和项目建立配置文件,分析已经购买(或浏览)过的项目,建立或更新用户的配置文件系统,比较用户与项目配置文件的相似度,并直接向用户推荐与其配置文件最相似的项目。基于内容推荐只考虑用户的兴趣偏好,推荐结果直观容易理解,但是对于机器难以理解的数据格式,如音乐、图像等往往无法处理,不能为用户发现新的兴趣点。 　　协同过滤(Collaborative Filtering, CF)推荐[3-4]针对基于内容推荐的不足,利用用户已有的信息计算用户之间的相似性,通过邻居用户对项目的评价来预测目标用户对项目的偏好程度。CF算法不受数据格式影响,能够推荐如图片、音乐等难以处理的复杂数据,能挖掘用户新的兴趣点,但也同时存在多个问题,最典型是冷问题和稀疏问题。