考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法

发布时间：2020-02-19 19:14

【摘要】：项目相关性度量是基于项目最近邻的协同过滤算法的关键。已有的项目相关性度量方法在数据集稀疏或推荐低流行度产品时会面临较大挑战,因此提出一种考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法。该算法在度量两个项目的相关性时,若有记录只对两个项目之一有评分,则利用该记录所对应的评分用户的活跃度和被评价项目的流行度进行相关性惩罚,从而提高数据稀疏环境下低流行度产品被推荐的概率。实验表明,所提算法在保证评分预测精度的情况下提升了推荐结果的多样性和新颖性。
【图文】：

分加权方法。本文所有实验代码均用ＭａｔｌａｂＲ２０１３ａ编写。实验在ＩｎｔｅｌＸｅｏｎ２．６７ＧＨｚＣＰＵ和８ＧＢ内存的６４位ＷｉｎｄｏｗｓＳｅｒｖｅｒ２００８平台上运行。４．３评价指标４．３．１参数敏感性实验为了验证所提方法的鲁棒性，本文对影响ＵＡ－ＢＣＦ算法效果的参数α和β进行敏感性分析。为了测试参数β对算法精度的影响，假设α为２，β的取值范围为［０．０４，０．０８］。ＵＡ－ＢＣＦ算法的平均绝对误差随着邻居规模的变化如图１所示。图１表明，当取不同数值时，ＵＡ－ＢＣＦ的平均绝对误差指标比较稳定（在区间［０．７６，０．７６５］之间）。当β取０．０５时，算法的平均绝对误差最校这说明，当两个项目的流行度差异较大时，不考虑仅对一个项目有评分记录对应的项目流行度差异和用户活跃度，有利于提高算法的评分预测精度。为了测试参数α对算法精度的影响，将β设置为０．０５，α的取值范围设为［１，２．２５］，算法的平均绝对误差随着邻居规模的变化如图２所示。图２表明，α为１．７５和２时算法的平均绝对误差小于α为１和１．２５时的平均绝对误差。这说明，针对仅对一个项目有评分的记录，若用户评价了流行度较低的项目而没有评价流行度较高的项目，提高对这类记录的惩罚权重有利于提高评分预测精度。图１参数β敏感性测试（α＝２）图２参数α敏感性测试（β＝０．０５）４．３．２与基准算法的对比实验由图１和图２可知，当α为２且β为０．０５时，ＵＡ－ＢＣＦ算法可以取得较好的效果

平均绝对误差随着邻居规模的变化如图１所示。图１表明，当取不同数值时，ＵＡ－ＢＣＦ的平均绝对误差指标比较稳定（在区间［０．７６，０．７６５］之间）。当β取０．０５时，算法的平均绝对误差最校这说明，当两个项目的流行度差异较大时，不考虑仅对一个项目有评分记录对应的项目流行度差异和用户活跃度，有利于提高算法的评分预测精度。为了测试参数α对算法精度的影响，将β设置为０．０５，α的取值范围设为［１，２．２５］，算法的平均绝对误差随着邻居规模的变化如图２所示。图２表明，，α为１．７５和２时算法的平均绝对误差小于α为１和１．２５时的平均绝对误差。这说明，针对仅对一个项目有评分的记录，若用户评价了流行度较低的项目而没有评价流行度较高的项目，提高对这类记录的惩罚权重有利于提高评分预测精度。图１参数β敏感性测试（α＝２）图２参数α敏感性测试（β＝０．０５）４．３．２与基准算法的对比实验由图１和图２可知，当α为２且β为０．０５时，ＵＡ－ＢＣＦ算法可以取得较好的效果。本文后续实验均假设α＝２，β＝０．０５。本文所提ＵＡ－ＢＣＦ算法与基准算法的对比实验如图３和图４所示。图３评分预测精度指标ＭＡＥ对比结果图４ｔｏｐ－Ｎ推荐列表排序精度指标ｎＤＣＧ对比结果图３和图４给出了不同邻居规模下各种算法的评分预测精度指标ＭＡＥ值和推荐列表排序精度指标ｎＤＣＧ值。在评分预测精度指标ＭＡＥ上，ＣｏｓｉｎｅＮｏｒｍＩｔｅｍ方法具有最好的推荐效果，而Ｐｅａｒｓｏｎ方法的

【相似文献】

相关期刊论文 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

8 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

9 宋纬华;田元;;基于蚁群算法的协同过滤推荐技术[J];农业图书情报学刊;2013年08期

10 康钟荣;;基于项目特征分类与填充的协同过滤算法研究[J];河南科技;2013年12期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前6条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

4 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年

5 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年

6 赵向宇;Top-N协同过滤推荐技术研究[D];北京理工大学;2014年

相关硕士学位论文 前10条

1 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年

2 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年

3 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年

4 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年

5 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年

6 主雪梅;基于混合协同过滤推荐的图书馆管理系统设计与实现[D];燕山大学;2015年

7 李智;基于QoS信息的服务推荐[D];上海交通大学;2015年

8 马兴敏;基于蜂群算法的协同过滤推荐系统的研究与实现[D];中国石油大学(华东);2014年

9 王培英;社会网络中的社区发现及协同过滤推荐技术研究[D];北京交通大学;2016年

10 刘登祥;基于分层策略的协同过滤算法研究[D];上海交通大学;2015年

本文编号：2581094