一种改进的top-N协同过滤推荐算法

是通过计算用户之间的相似度，从而根据用户之间相似度的大 小找出与目标用户最相似的用户群，最后给目标用户推荐相似 用户购买过的而目标用户未曾购买的物品。与基于用户的算 法类似，基于物品的过滤算法首先计算物品之间的相似度，根 据物品之间的相似度确定目标用户已经购买过的物品的最相 似物品群，最后 在 最 相 似 物 品 群 中 挑 选 部 分 物 品 推 荐 给 目 标 用户。
wenku.baidu.com引言
个性化推荐是目前解决信息超载问题最有效的方法之一。 与搜索引擎不同，推荐系统不需要用户提供明确的需求，而是 根据用户的历史反馈信息给用户的兴趣建模，从而主动给用户 推荐能够满足他们兴趣和需求的信息。随着个性化推荐系统 在电子商务网站的应用越来越广泛，对于个性化推荐算法的研 究也不断地深入。个性化推荐系统已经给电子商务领域带来了 巨大的商业利益。据 ＶｅｎｔｕｒｅＢｅａｔ统计，Ａｍａｚｏｎ的推荐系统为 其提供了 ３５％的商品销售额。除了在电子商务网站中为用户 推荐商品之外，还可以为用户推荐书、电影、新闻和音乐等。
Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅｅｘｉｓｔｓｓｅｖｅｒａｌｉｓｓｕｅｓｉｎｔｒａｄｉｔｉｏｎａｌｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｓ：ａ）Ｉｔｔａｋｅｓｔｈｅｉｍｐａｃｔｏｆａｌｌｕｓｅｒｓ’ｈｉｓｔｏｒｉ ｃａｌｆｅｅｄｂａｃｋｉｎｆｏｒｍａｔｉｏｎｉｎｔｏａｃｃｏｕｎｔｗｈｅｎｃａｌｃｕｌａｔｉｎｇｔｈｅｓｉｍｉｌａｒｉｔｉｅｓｂｅｔｗｅｅｎａｎｙｔｗｏｉｔｅｍｓ；ｂ）Ｉｔｏｎｌｙｕｔｉｌｉｚｅｓｔｈｅｕｓｅｒ’ｓｒａｔ ｉｎｇｄａｔａｗｈｅｎｃａｌｃｕｌａｔｉｎｇｔｈｅｓｉｍｉｌａｒｉｔｉｅｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｕｓｅｒｇｒｏｕｐｔｈａｔｈａｓｓｉｍｉｌａｒｉｎｔｅｒｅｓｔｓｗｉｔｈｔｈｅｔａｒｇｅｔｕｓｅｒｈａｓａｈｉｇｈｅｒ ｒｅｆｅｒｅｎｃｅｖａｌｕｅｔｈａｎｏｔｈｅｒｕｓｅｒｓ．Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｆａｃｔｔｈａｔｉｒｒｅｌｅｖａｎｔｈｉｓｔｏｒｉｃａｌｉｎｆｏｒｍａｔｉｏｎｌｅａｄｅｄｔｏｐｏｏｒｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｒｅｓｕｌｔｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｏｖｅｌｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ ｂａｓｅｄｏｎＫｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ．Ｔｈｅｎｅｗ ａｌｇｏｒｉｔｈｍ ｒｅｆｉｎｅｄｔｈｅｕｓｅｒ’ｓｓｉｍｉｌａｒｉｔｙｍｅｔｒｉｃｗｉｔｈｔｈｅｕｓｅｒ’ｓｃｏｍｍｏｎｒａｔｉｎｇｗｅｉｇｈｔａｎｄｐｏｐｕｌａｒｉｔｅｍｓｗｅｉｇｈｔ，ｔｈｅｉｔｅｍ’ｓｓｉｍｉ ｌａｒｉｔｙｍｅｔｒｉｃｗｉｔｈｔｉｍｅｄｉｆｆｅｒｅｎｃｅｗｅｉｇｈｔａｎｄｕｓｅｒ’ｓｒａｔｉｎｇｗｅｉｇｈｔｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｃｌｕｓｔｅｒｅｄａｌｌｕｓｅｓｉｎｔｏｓｅｖｅｒａｌｐａｒｔｉｔｉｏｎｓａｃ ｃｏｒｄｉｎｇｔｏｔｈｅｓｉｍｉｌａｒｉｔｉｅｓ．Ｔｈｅｎ，ｉｔａｐｐｌｉｅｄｒｅｃｏｍｍｅｎｄａｌｇｏｒｉｔｈｍｉｎｅａｃｈｏｆｔｈｅｃｌｕｓｔｅｒｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｃｏｍ ｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｉｔｅｍｂａｓｅｄｔｏｐＮｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ ｃａｎｉｍｐｒｏｖｅ ｔｈｅｒｅｃａｌｌｂｙ２．１％ ｏｎａｖｅｒａｇｅ．Ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｔｈｅｑｕａｌｉｔｙｏｆｔｈｅｒｅｃｏｍｍｅｎｄａｔｉｏｎｅｆｆｅｃ ｔｉｖｅｌｙ． Ｋｅｙｗｏｒｄｓ：ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｗｓｅｒ’ｓｒａｔｉｎｇｉｎｆｏｒｍａｔｉｏｎ；ｓｉｍｉｌａｒｉｔｙ；ｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ；ｒｅｃａｌｌ
ＩｍｐｒｏｖｅｄｔｏｐＮｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ
ＸｉａｏＷｅｎｑｉａｎｇ，ＹａｏＳｈｉｊｕｎ，ＷｕＳｈａｎｍｉｎｇ
（ＣｏｌｌｅｇｅｏｆＳｃｉｅｎｃｅ，ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ）
第 ３５卷第 １期 ２０１８年 １月
计算机应用研究 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏｌ．３５Ｎｏ．１ Ｊａｎ．２０１８
一种改进的 ｔｏｐＮ协同过滤推荐算法
肖文强，姚世军，吴善明
（信息工程大学 理学院，郑州 ４５０００１）
摘 要：针对传统的相似度计算方法仅依靠用户评分信息矩阵来计算物品或用户相似度，物品相似度的计算考 虑了所有用户的历史反馈信息等问题，提出一种改进的协同过滤推荐算法。以所有物品的度的平均值作为阈 值，在用户相似度计算公式中引入用户共同评分权重以及流行物品权重；在物品相似度计算公式中引入物品时 间差因素和用户共同评分权重。将兴趣相似的用户聚成一类，在类内应用推荐算法分别为用户进行推荐。实验 结果表明，相比于传统的协同过滤推荐算法，新算法得到的推荐结果在召回率上提高了 ２．１％。该算法可在一定 程度上提高推荐算法的精度以及推荐质量。 关键词：协同过滤推荐算法；用户评分信息；相似度；聚类算法；召回率 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１３６９５（２０１８）０１０１０５０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．０１．０２１
协同过滤推荐算法是目前应用最广泛、最成功的个性化推 荐算法之一。协同过滤的概念是由 Ｃｏｌｄｂｅｒｇ、Ｎｉｅｏｌｓ、Ｏｋｉ以及 Ｔｅｒｒｙ在 １９９２年提出的，应用于 Ｔａｐｅｓｔｒｙ系统。协同过滤推荐 算法包括基于记忆的协同过滤推荐算法和基于模型［１］的协同 过滤推荐算法，基于记忆的协同过滤算法也可以分为基于物品 和基于用户的协同过滤推荐算法 。 ［２，３］ 基于用户的推荐算法