基于用户特征属性和云模型的协同过滤推荐算法

J4 ›› 2014, Vol. 36 ›› Issue (06): 1172-1176.

基于用户特征属性和云模型的协同过滤推荐算法

刘发升，洪营

(江西理工大学信息工程学院，江西赣州 341000)

收稿日期:2013-01-15 修回日期:2013-04-27 出版日期:2014-06-25 发布日期:2014-06-25
基金资助:
江西省教育厅科技项目(GJJ08283，GJJ11463)；江西省高等学校智能计算与网络测控技术重点实验室2012年资助项目

A collaborative filtering recommendation algorithm
based on user characteristic attribute and cloud model

LIU Fasheng,HONG Ying

(School of Information Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,China)

Received:2013-01-15 Revised:2013-04-27 Online:2014-06-25 Published:2014-06-25

摘要/Abstract

摘要：

随着数据的极端稀疏性，仅仅依赖于传统的协同过滤相似性的度量方法已无法取得精确的推荐结果。针对这一问题，提出基于用户特征属性和云模型的协同过滤算法。首先，算法利用云模型计算用户评分云相似性，结合用户打分偏好对原矩阵进行填充，在此基础上得到用户的评分云相似性；其次，再结合用户特征属性相似性通过加权因子计算用户的最终相似性，得到一种新的相似性度量方法；最后,得到算法的评分预测。实验结果表明，该方法能够提高推荐质量。

关键词: 协同过滤, 云模型, 用户特征属性相似性, 打分偏好, 云相似性

Abstract:

With the extreme sparsity of the data, traditional collaborative filtering similarity metrics are unable to obtain accurate recommendation results. In order to solve this problem, a collaborative filtering algorithm based on user feature and cloud model is proposed. Firstly, it takes advantage of the cloud model to calculate the similarity of user rating cloud, combines with user scoring preference to fill the original matrix, and then get user cloud similarity. Secondly, combining with user feature similarity and user cloud similarity, a new similarity measure method is proposed to calculate the final similarity by using weighting factor. Finally, the final rating prediction is obtained. The experimental results show that this approach can improve the recommended quality.

Key words: collaborative filtering;cloud model;user characteristic attribute similarity;scoring preference;cloud similarity

刘发升，洪营. 基于用户特征属性和云模型的协同过滤推荐算法[J]. J4, 2014, 36(06): 1172-1176.

LIU Fasheng,HONG Ying. A collaborative filtering recommendation algorithm
based on user characteristic attribute and cloud model [J]. J4, 2014, 36(06): 1172-1176.

参考文献

［1］Dasu T, Johnson T. Exploratory data mining and data cleaning［M］. Hoboken:John Wiley &Sons Press,2003.
［2］Zhang Guangwei, Li Deyi, Li Peng, et al.A collaborative filtering recommendation algorithm based on cloud model［J］.Journal of Software,2007,18(10):24032411. (in Chinese)
［3］Deng Ailin, Zhu Yangyong, Shi Baile.A collaborative filtering recommendation algorithm based on item rating prediction［J］.Journal of Software, 2003, 14(9):16211628. (in Chinese)
［4］Meng Xianfu, Chen Li. Collaborative filtering recommendation algorithm based on Bayesian theory［J］.Journal of Com puter Applications, 2009,29(10):27332735. (in Chinese)
［5］Yu Zhihu,Qi Yufeng. A data fill algorithm based on cloud model［J］.Computer Technology and Development, 2010,20 (12)：3537. (in Chinese)
［6］Su Xiaoyuan,Khoshgofataar T M. A survey of collaborative filtering techniques［J］. Advances in Artificial Intelligence,2009:119:Article ID 421425.
［7］Yang Yang,Xiang Yang,Xiong Lei.Collaborative filtering and recommendation algorithm based on matrix factorization and user nearest neighbor model［J］.Journal of Computer Applications, 2012,32(2):395398. (in Chinese)
［8］Li Deyi. Artificial intelligence with uncertainty［M］. Beijing:National Defence Industry Press,2005.(in Chinese)
［9］Li Deyi,Liu Changyu.Study on the universality of the normal cloud model［J］.Engineering Science, 2004,6(8):2834. (in Chinese)
［10］Xu Xiang, Wang Xufa. Optimization method of similarity degree in collaborative filter algorithm［J］.Computer Engineering, 2010,36(6):5257. (in Chinese)
［11］Sarwar B, Karypis G, Konstan J, et al. Analysis of recommendation algorithms for Ecommerce［C］∥Proc of the 2nd ACM Conference on Electronic Commerce,2000:158295.
附中文参考文献：
［2］张光卫,李德毅,李鹏,等. 基于云模型的协同过滤推荐算法［J］. 软件学报,2007, 18(10):24032411.
［3］邓爱邻,朱扬勇,施伯乐.基于项目评分的协同过滤推荐算法［J］.软件学报,2003, 14(9):16211628.
［4］孟宪福,陈莉.基于贝叶斯理论的协同过滤推荐算法［J］.计算机应用,2009,29(10):27332735.
［5］余志虎,戚玉峰.一种基于云模型数据填充的算法［J］.计算机技术与发展,2010,20 (12)：3537.
［7］杨阳,向阳,熊磊.基于矩阵分解与用户近邻模型的协同过滤推荐算法［J］. 计算机应用,2012,32(2):395398.
［8］李德毅.不确定性人工智能［M］. 北京：国防工业出版社,2005.
［9］李德毅,刘长昱.论正态云模型的普适性［J］. 中国工程科学,2004,6(8):2834.
［10］徐翔,王煦法.协同过滤算法中相似度优化方法［J］. 计算机工程,2010,36(6):5257.

[1]	吴昊天, 关叶青. 基于自然语言云化的TOPSIS方法及其应用[J]. 计算机工程与科学, 2023, 45(03): 565-570.
[2]	吴亦奇, 韩放, 张德军, 何发智, 陈壹林. 基于特征通道和空间位置注意力的三维点云特征学习网络[J]. 计算机工程与科学, 2022, 44(07): 1239-1246.
[3]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[4]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[5]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[6]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[7]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[8]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[9]	魏连锁，胡现成，陈齐齐，韩建. 基于新混沌与矩阵卷积运算的彩色图像加密算法[J]. 计算机工程与科学, 2020, 42(01): 80-88.
[10]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[11]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[12]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.
[13]	刘妮，张志毅. 相似性维数在点云中的应用[J]. 计算机工程与科学, 2019, 41(09): 1635-1641.
[14]	吴浩1，王晓晨1，曾诚1,2，何鹏1,2. 基于异质用户网络嵌入的服务推荐方法研究[J]. 计算机工程与科学, 2019, 41(07): 1244-1250.
[15]	李艳娟，牛梦婷，李林辉. 基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(06): 1101-1109.