基于商品品质特征的推荐算法.docxVIP

基于商品品质特征的推荐算法 摘要：个性化推荐算法中应用最广泛的是基于内容的算法和协同过滤算法及它们的组合推荐 算法。协同过滤算法面临稀疏性、新项H问题，基于内容的算法不考虑其它用户的评分。本 文提出了特征向蜃，每个特征带有一个权值，用户和商品部有特征向量文件。利用用户的评 分记录构建用户的特征向量文件并同时作用于商品的特征向量文件。利于用户和商品的特征 向虽文件进行推荐。实验结果表明本文提出的算法在推荐准确度和计算效率方面要优于经典 的算法。 关键字：推荐系统特征向量纽合推荐 引言 随着Internet上信息的爆炸式增长，用户面临着严峻的信息过载问题⑴⑵［3］。用户为 了找到想耍的信息，需要花很多时间和精力去搜索和选择。在这种廿景下，个性化推荐系统 应运而生，它可以帮助用户从信息的海洋中获取有用的信息和知识。 主流的推荐方法基本包括以下儿种：基于内容推荐，协同过滤推荐,基于知识推荐和组 合推荐。基于内容的推荐源于一般的信息检索方法，对象使用通过特征提取方法得到的对彖 内容特征来表示，系统基于用户所评价对象的特征，学习用户的兴趣，从而考察用户资料与 待预测项目相匹配的程度。协同过滤的基本思想是找到与当前用户相似的其他用户来计算对 象对该用门的效用值，利用效用值对所有对象进行排序或加权操作，从而找到最合适的对象。 基于知识的推荐利用针对特定领域制定规则来进行基于规则和实例的推理。组合推荐则是通 过组合儿种不同的推荐方法，用以避免或弥补各自推荐技术的弱点。 在已有研究的基础上，本文提出了-?种新的基于内容的推荐算法，该算法在考虑商品特 征的基础上对用户评分进行统计分析，使推荐的商品更加真实的反映用户的兴趣和商品的品 质。实验结果表明，该算法能有效提高推特质量，貝备较好的实时性，产牛?较好的推荐效果。 改进的基于内容的推荐算法 基于内容的过ilfe(content-based filtering)是基于内容抽取项目特征属性的推荐技术，项目 或对象通过相关特征的属性来定义，系统通过学习用户已评价过的商品的特征来获得对用户 兴趣的描述。像新闻组过滤系统NewsWeeder这样的文本推荐系统用它们的文本词汇作为特 征。 传统的商品特征从商品中的描述中提取出商品的特征，一旦提取完成，便不再改变。通 过这种方法提取出来的商品特征无法反映出该商品在同类商品中的品质和口碑，而商品品质 是用户关心的加性。消费者对商品的品质具有投票权，因此商品的品质隐藏在它所得到的评 价之中。本文通过在商品配置文件中为每个特征词增加流行权值和品质权值的方式來挖掘出 这些信息。 图1基于品质特征的内容过滤算法思路 用户兴趣模型 建立用户兴趣模型是个性化推荐系统关键的部分，川户兴趣模型是否反映了川户真实的 兴趣爱好在很人程度上决定了推荐系统的成功。 基于内容的推荐算法通过用户对项目的评价来学习用户的兴趣，最示依据用户兴趣与待 预测项目的匹配程度进行推荐。首先对商品分析并牛成一个特征集，特征集是一纽特征词的 集合，如｛幻想，小说，长篇｝。 问题1商品原始特征集无法反映两个具备相同特征集的商品的品质优劣和重点特征。 商品的原始特征集反映了此商品的属性，但如问题1所示，市场上岀售的同类商品很多, 消费者必然倾向于购买品质更佳的商品。 3. 1 相关概念和定义 定义1卅户平均评分：用户i对所有项目评分的均值称为用户i的平均评分 AR(i)= 定义2用户偏差评分：用户的评分值减去平均评分即为用户的偏差评分OR OR.= R. . - AR(i) 定义3用户特征评分总和：用户i对所有-包含特征k的项目的偏茅评分总和FR FR(i,k) = 工0%j jwFkUTj 定义4用户特征权值：用户i对所有包含特征k的项目的评分次数作为权值FC FC(讥)=工1 jwFk 6 本文以特征向量空间來表示用户兴趣，基本思想是一个n维特征向量： (tl,ri,Cizt2,W2/C2/t3/W3/C3,.../tn,Wn/Cn),其每一维由特征词、评分总和和特征权值组成。 3. 2 商品特征品质度量公式 用户对商品的评分表明了用户对该商品的品质的态度。同样的商品在不同爱好的人群中 会得到不同的得分。比如一部动作片在喜欢看动作片的人群中得分较高，阳在喜欢看喜剧片 的人群屮得分可能较低。因此本文结合用户的兴趣偏好和评分矩阵來牛成商品的品质特征 集。 定义5商品特征品质权值：商品m被所有包含特征k的用户的正偏差评分总和 MR(m,k)= 定义6商品特征流行权值：商品m被所有包含特征k的用户的正偏差评分总和 切 u7；” [1,07?. .0 通过引入商品特征品质权值可以解决问题1,即可以找出两个相同特征的商品屮更优质 的商品。 3 模型的更新 木文中对模型的更新主要来自两个方面：用户评分和遗忘处理。 用户评