基于组合优化理论协同过滤算法.docVIP

基于组合优化理论协同过滤算法 　　摘 要： 针对传统推荐系统中的协同过滤推荐算法无法解决数据间的高度稀疏问题，采用余弦相似性度量运算的物品相似性误差较高，导致系统推荐质量降低，提出基于局部组合优化的协同过滤推荐算法，其改进了物品间相似性的运算，为了解决数据稀疏性问题，选择目标的近邻对象时利用局部优化方法选择推荐群，降低了预测的误差，确保误差值收敛到某固定值，并采用基于内容的方法调整协同过滤预测存在的异常预测结果。实验结果表明，所提算法抑制了数据稀疏性的不利影响，提高了协同过滤预测评分的准确度。 　　关键词： 局部； 组合优化理论； 协同过滤； 推荐算法； 稀疏问题； ?u分精度 　　中图分类号： TN911.1?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）01?0139?04 　　Abstract： The collaborative filtering recommended algorithm in the traditional recommended system can′t solve the high sparsity among data. The cosine similarity measurement used to calculate the similarity of objects has big error， which may cause the low recommendation quality of the system. Therefore， a collaborative filtering algorithm based on local combinatorial optimization is proposed to improve the calculation of similarity among items. In order to reduce the data sparsity， the local combinatorial optimization method is adopted to select the recommended group for the object near the selected objective to reduce the prediction error and guarantee the error converging to a fixed value. The content?based method is used to adjust the abnormal prediction results of collaborative filtering prediction. The experimental results show that the algorithm can suppress the adverse effects of data sparsity， and improve the scoring accuracy of collaborative filtering prediction. 　　Keywords： local； combinatorial optimization theory； collaborative filtering； recommended algorithm； sparse problem； scoring accuracy 　　0 引 言 　　随着互联网、信息技术的快速发展，信息呈现爆炸式增长，用户从海量信息中快速、准确检索到有价值资源的难度逐渐增加。因此，个性化推荐系统的发展逐渐引起人们的关注[1]。 　　个性化推荐系统中应用性最高的推荐技术是协同过滤推荐算法，其基于用户以往的行为偏好，获取用户间的相似度，将同目标用户兴趣最相似的用户作为临近邻居集，分析邻居用户的行为偏好，获取预测目标用户对物品的偏好情况。传统推荐算法无法解决数据间的高度稀疏问题，采用余弦相似性度量运算的物品相似性误差较高，导致预测的误差大幅度增加。 　　为了解决该问题，本文提出基于局部组合优化的协同过滤推荐算法，以提高协同过滤预测评分的准确度。 　　1 基于组合优化的协同过滤推荐算法 　　1.1 问题的提出 　　数据稀疏性问题广泛存在于个性化推荐系统中，电子商务网站中包含了海量的用户和商品，用户无法对全部的物品实施准确评价。若采用传统协同过滤算法，通过相似性度量获取物品间的相似性[2]，能够完成用户对物品偏好度的评分，但是该种算法会受到高度稀疏数据集的干扰，使得推荐质量大大降低。针对传统算法无法处理数据稀疏性问题，可采用改进相似度运算方