移动用户餐饮个性化需求推荐的研究.docVIP

移动用户餐饮个性化需求推荐的研究 　　摘 要： 在个性化推荐系统中，协同过滤技术是应用最成功的技术。协同过滤技术包含几种典型代表，基于用户的协同过滤、基于内容项的协同过滤、基于关联规则的协同过滤等，这些方法都有各自的优缺点和应用领域。通过对传统协同过滤算法进行分析，根据移动用户餐饮个性化的特点，引入杰卡德系数，将杰卡德系数引入到协同过滤中并对算法进行改进，最终在移动用户餐饮个性化推荐中取得了较为理想的效果。 　　关键字： 个性化； 协同过滤； 杰卡德系数； 相似性 　　中图分类号： TN916.3?34 文献标识码： A 文章编号： 1004?373X（2015）11?0013?03 　　Research on catering personalized demand recommendation for mobile users 　　ZHU Bao?hua， ZHANG Xiao?bin 　　（School of Computer and Science， Xi’an Polytechnic University， Xi’an 710048， China） 　　Abstract： In the personalized recommendation system， collaborative filtering technology is one of the most successful technologies in application， which contains a few typical modes： collaborative filtering technologies based on the users， content items， association rules and so on，. These technologies have their own advantages， disadvantages and application fields. By the analysis of the traditional collaborative filtering algorithm， Jaccard coefficient is introduced according to the catering persona?lized characteristic of the mobile users. Jaccard coefficient is introduced into collaborative filtering to improve the filtering algorithm.， An ideal effect was obtained in catering personalized recommendation for mobile users. 　　Keywords： personalization； collaborative filtering； Jaccard coefficient； similarity 　　0 引 言 　　随着移动用户数量的增加和移动设备的方便使用，移动用户能够很方便地对餐饮进行评分。但在实际的餐饮个性化推荐中采用传统的协同过滤技术，即首先为目标用户寻找兴趣相似的邻居用户，然后把邻居用户感兴趣的项目推荐给目标用户。这种推荐往往不准确，不能满足用户的真正需求。 　　移动用户无法通过小小的移动设备在短时间内浏览所有餐饮信息，从而面临“信息超载”的问题，使用户失去兴趣。解决此类问题常采用的方法有信息检索、关联规则、基于项目属性和云填充的协同过滤推荐算法[1]，根据事物之间的关联性，Sarwar等人将协同过滤算法分成了基于用户的协同过滤算法和基于项目的协同过滤算法[2]，文献[3]提出一种结合共同邻居和用户评分信息的相似度算法，文献[4]提出在项目评分预测推荐的基础上结合云模型的算法。 　　本文在移动用户餐饮个性化推荐中，对传统协同过滤算法进行改进，在移动用户餐饮个性化推荐中取得了较为理想的效果。 　　1 协同过滤算法 　　在大多数采用协同过滤算法的推荐系统中，由于用户评分的项目往往不超过总项目[5]数的1%，所以导致评分数据的极端稀疏性，使得传统的相似性计算方法不能准确地计算出项目之间的相似性。文献[6]提出结合似然关系模型和用户等级的协同过滤推荐算法。协同过滤算法中一般采用以下几种相似性计算算法。 　　1.1 相似性计算 　　（1） 余弦相似性 　　用户评分看作为[n]维项目空间上的向量，如果用户对项目没有进行评分，则将用户对该项目的评分设为0，用户间的相似性通过向量间的余弦夹角度量。设用户[i]和用户[j