【摘要】：項目相關(guān)性度量是基于項目最近鄰的協(xié)同過濾算法的關(guān)鍵。已有的項目相關(guān)性度量方法在數(shù)據(jù)集稀疏或推薦低流行度產(chǎn)品時會面臨較大挑戰(zhàn),因此提出一種考慮用戶活躍度和項目流行度的基于項目最近鄰的協(xié)同過濾算法。該算法在度量兩個項目的相關(guān)性時,若有記錄只對兩個項目之一有評分,則利用該記錄所對應(yīng)的評分用戶的活躍度和被評價項目的流行度進(jìn)行相關(guān)性懲罰,從而提高數(shù)據(jù)稀疏環(huán)境下低流行度產(chǎn)品被推薦的概率。實驗表明,所提算法在保證評分預(yù)測精度的情況下提升了推薦結(jié)果的多樣性和新穎性。
【圖文】：

分加權(quán)方法。本文所有實驗代碼均用ＭａｔｌａｂＲ２０１３ａ編寫。實驗在ＩｎｔｅｌＸｅｏｎ２．６７ＧＨｚＣＰＵ和８ＧＢ內(nèi)存的６４位ＷｉｎｄｏｗｓＳｅｒｖｅｒ２００８平臺上運行。４．３評價指標(biāo)４．３．１參數(shù)敏感性實驗為了驗證所提方法的魯棒性，本文對影響ＵＡ－ＢＣＦ算法效果的參數(shù)α和β進(jìn)行敏感性分析。為了測試參數(shù)β對算法精度的影響，假設(shè)α為２，β的取值范圍為［０．０４，０．０８］。ＵＡ－ＢＣＦ算法的平均絕對誤差隨著鄰居規(guī)模的變化如圖１所示。圖１表明，當(dāng)取不同數(shù)值時，ＵＡ－ＢＣＦ的平均絕對誤差指標(biāo)比較穩(wěn)定（在區(qū)間［０．７６，０．７６５］之間）。當(dāng)β�。埃埃禃r，算法的平均絕對誤差最校這說明，當(dāng)兩個項目的流行度差異較大時，不考慮僅對一個項目有評分記錄對應(yīng)的項目流行度差異和用戶活躍度，有利于提高算法的評分預(yù)測精度。為了測試參數(shù)α對算法精度的影響，將β設(shè)置為０．０５，α的取值范圍設(shè)為［１，２．２５］，算法的平均絕對誤差隨著鄰居規(guī)模的變化如圖２所示。圖２表明，α為１．７５和２時算法的平均絕對誤差小于α為１和１．２５時的平均絕對誤差。這說明，針對僅對一個項目有評分的記錄，若用戶評價了流行度較低的項目而沒有評價流行度較高的項目，提高對這類記錄的懲罰權(quán)重有利于提高評分預(yù)測精度。圖１參數(shù)β敏感性測試（α＝２）圖２參數(shù)α敏感性測試（β＝０．０５）４．３．２與基準(zhǔn)算法的對比實驗由圖１和圖２可知，當(dāng)α為２且β為０．０５時，ＵＡ－ＢＣＦ算法可以取得較好的效果

平均絕對誤差隨著鄰居規(guī)模的變化如圖１所示。圖１表明，當(dāng)取不同數(shù)值時，ＵＡ－ＢＣＦ的平均絕對誤差指標(biāo)比較穩(wěn)定（在區(qū)間［０．７６，０．７６５］之間）。當(dāng)β�。埃埃禃r，算法的平均絕對誤差最校這說明，當(dāng)兩個項目的流行度差異較大時，不考慮僅對一個項目有評分記錄對應(yīng)的項目流行度差異和用戶活躍度，有利于提高算法的評分預(yù)測精度。為了測試參數(shù)α對算法精度的影響，將β設(shè)置為０．０５，α的取值范圍設(shè)為［１，２．２５］，算法的平均絕對誤差隨著鄰居規(guī)模的變化如圖２所示。圖２表明，，α為１．７５和２時算法的平均絕對誤差小于α為１和１．２５時的平均絕對誤差。這說明，針對僅對一個項目有評分的記錄，若用戶評價了流行度較低的項目而沒有評價流行度較高的項目，提高對這類記錄的懲罰權(quán)重有利于提高評分預(yù)測精度。圖１參數(shù)β敏感性測試（α＝２）圖２參數(shù)α敏感性測試（β＝０．０５）４．３．２與基準(zhǔn)算法的對比實驗由圖１和圖２可知，當(dāng)α為２且β為０．０５時，ＵＡ－ＢＣＦ算法可以取得較好的效果。本文后續(xù)實驗均假設(shè)α＝２，β＝０．０５。本文所提ＵＡ－ＢＣＦ算法與基準(zhǔn)算法的對比實驗如圖３和圖４所示。圖３評分預(yù)測精度指標(biāo)ＭＡＥ對比結(jié)果圖４ｔｏｐ－Ｎ推薦列表排序精度指標(biāo)ｎＤＣＧ對比結(jié)果圖３和圖４給出了不同鄰居規(guī)模下各種算法的評分預(yù)測精度指標(biāo)ＭＡＥ值和推薦列表排序精度指標(biāo)ｎＤＣＧ值。在評分預(yù)測精度指標(biāo)ＭＡＥ上，ＣｏｓｉｎｅＮｏｒｍＩｔｅｍ方法具有最好的推薦效果，而Ｐｅａｒｓｏｎ方法的

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊風(fēng)召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應(yīng)用;2007年06期

2 王嵐;翟正軍;;基于時間加權(quán)的協(xié)同過濾算法[J];計算機應(yīng)用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導(dǎo)購系統(tǒng)[J];武漢大學(xué)學(xué)報(工學(xué)版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學(xué)學(xué)報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進(jìn)研究[J];計算機技術(shù)與發(fā)展;2011年04期

8 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

9 宋緯華;田元;;基于蟻群算法的協(xié)同過濾推薦技術(shù)[J];農(nóng)業(yè)圖書情報學(xué)刊;2013年08期

10 康鐘榮;;基于項目特征分類與填充的協(xié)同過濾算法研究[J];河南科技;2013年12期

相關(guān)會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前6條

1 紀(jì)科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國海洋大學(xué);2015年

3 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

4 孔維梁;協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究[D];華中師范大學(xué);2013年

5 夏培勇;個性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

6 趙向宇;Top-N協(xié)同過濾推薦技術(shù)研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 高慧敏;融合占有度的時間遺忘協(xié)同過濾混合推薦算法研究[D];燕山大學(xué);2015年

2 蘇靖涵;面向SaaS多租戶的動態(tài)推薦方法研究[D];遼寧大學(xué);2015年

3 徐曉妮;基于人工魚群算法的協(xié)同過濾推薦算法研究[D];遼寧大學(xué);2015年

4 羅培;移動購物導(dǎo)購關(guān)鍵技術(shù)的研究與系統(tǒng)實現(xiàn)[D];西南交通大學(xué);2015年

5 李婧;融合用戶差異度及信息熵的協(xié)同過濾推薦算法[D];西安建筑科技大學(xué);2015年

6 主雪梅;基于混合協(xié)同過濾推薦的圖書館管理系統(tǒng)設(shè)計與實現(xiàn)[D];燕山大學(xué);2015年

7 李智;基于QoS信息的服務(wù)推薦[D];上海交通大學(xué);2015年

8 馬興敏;基于蜂群算法的協(xié)同過濾推薦系統(tǒng)的研究與實現(xiàn)[D];中國石油大學(xué)(華東);2014年

9 王培英;社會網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)及協(xié)同過濾推薦技術(shù)研究[D];北京交通大學(xué);2016年

10 劉登祥;基于分層策略的協(xié)同過濾算法研究[D];上海交通大學(xué);2015年

本文編號：2581094