协同过滤技术的改进研究

J4 ›› 2016, Vol. 38 ›› Issue (05): 997-1001.

协同过滤技术的改进研究

刘国丽，由志远，李艳萍，于丽梅

（河北工业大学计算机科学与软件学院，天津 300401）

收稿日期:2015-03-31 修回日期:2015-08-11 出版日期:2016-05-25 发布日期:2016-05-25
基金资助:
河北省高等学校科学技术研究项目(ZD20131070)

An improved collaborative filtering algorithm

LIU Guoli,YOU Zhiyuan,LI Yanping,YU Limei

（School of Computer Science and Software Engineering,Hebei University of Technology,Tianjin 300401,China）

Received:2015-03-31 Revised:2015-08-11 Online:2016-05-25 Published:2016-05-25

摘要/Abstract

摘要：

协同过滤算法应用于个性化推荐系统中取得了巨大成功，它是通过用户项目评分数据，以用户之间或者项目之间相互协作的方式来产生推荐。然而，邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发，提出了一种改进算法，该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重，对用户的相似度计算方法进行改进，以期生成更加合理的邻居用户集，最后，根据评分预测公式进行预测，最终产生推荐。在MovieLens数据集上的实验表明，改进算法计算用户间的相似度更加精确，推荐算法的预测精确度有了显著提高。

关键词: 协同过滤推荐, 推荐精度, 相似度, 邻居用户集

Abstract:

The collaborative filtering algorithm applied to the personalized recommendation system is a great success, which generate recommendations through the users rating data on the program and mutual cooperation between users or projects. However, the inaccurate similarity calculation among neighbors becomes the main obstacle to further improve the accuracy of the recommendation system. To improve the calculation accuracy of similarity among users, we propose an improved collaborative filtering algorithm by considering different characteristics, strengthening the mean effect and punishing the proportion of popular items, attempting to generate a more reasonable set of neighbor users. Finally we predict the scores according to the prediction equation and ultimate recommendations are generated. Experiments on the MovieLens datasets show that the proposed algorithm can calculate the similarity among users more accurately, and the prediction accuracy is improved significantly.

Key words: collaborative filtering recommendation;recommendation accuracy;similarity;set of neighbor users

刘国丽，由志远，李艳萍，于丽梅. 协同过滤技术的改进研究[J]. J4, 2016, 38(05): 997-1001.

LIU Guoli,YOU Zhiyuan,LI Yanping,YU Limei. An improved collaborative filtering algorithm [J]. J4, 2016, 38(05): 997-1001.

参考文献［12］

［1］	Leng Yajun,Lu Qing,Liang Changyong.Survey of recommendation based on collaborative filtering［J］.Pattern Recognition and Artificial Intelligence,2014，27（8）:720734.（in Chinese）
［2］	Zhang Xuesheng,Chen Chao,Zhang Yingfeng,et al.Collaborative filtering algorithm combining the feature of controversy［J］.Journal of Chinese Computer Systems,2012，33（4）:694699.（in Chinese）
［3］	Yin Hang,Chang Guiran,Wang Xingwei.Effect of clustering algorithm in Knearestneighborhood based collaborative filtering［J］.Journal of Chinese Computer Systems,2013，34（4）:806809.（in Chinese）
［4］	Du Maokang,Liu Miao,Li Shaohua,et al.Slope one collaborative filtering recommendation algorithm based on neighbor［J］.Journal of Chongqing University of Posts and Telecommunications（Natural Science Edition）,2014，26（3）:421426.（in Chinese）
［5］	Liu Fasheng, Hong Ying. A collaborative filtering recommendation algorithm based on user characteristic attribute and cloud model［J］.Computer Engineering & Science,2014，36（6）:11721176.（in Chinese）
［6］	Guo Yanhong,Deng Guishi.Improved personalized recommendation algorithm in collaborative filtering［J］.Application Research of Computers,2008，25（1）:3941.（in Chinese）
［7］	Adomavicius A T.Toward the next generation of recommender systems:A survey of the stateoftheart and possible extensions［J］.IEEE Transactions on Knowledge and Data Engineering,2005,17（6）:734749．
［8］	Vozalis K G. Analysis of recommender systems’algorithms［C］∥Proc of the 6th Hellenic European Research Conference on Computer Mathematics and Its Applications, 2003:175183.
［9］	Liu X, Zhou Y, Zheng R. Measuring semantic similarity within sentences［C］∥Proc of the 7th International Conference on Machine Learning and Cybernetics,2008:25582562．
［10］	Breese J S, Heckerman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering［C］∥Proc of the 14th Conference on Uncertainty in Artificial Intelligence，1998:4352．
［11］	Peng Dewei,Hu Bin.A collaborative filtering recommendation based on user characteristics and time weight［J］.Journal of Wuhan University of Technology,2009，31（3）:2428.（in Chinese）
［12］	Sun Hui,Ma Yue,Yang Haibo,et al.Collaborative filtering recommendation algorithm by optimizing similarity and clustering users［J］.Journal of Chinese Computer Systems,2014，35（9）:19651970.（in Chinese）
	附中文参考文献：
［1］	冷亚军，陆青，梁昌勇.协同过滤推荐技术综述［J］.模式识别和人工智能，2014，27（8）:720734．
［2］	张学胜，陈超，张迎峰，等.融合争议度特征的协同过滤推荐算法［J］.小型微型计算机系统，2012，33（4）:694699．
［3］	尹航，常桂然，王兴伟.采用聚类算法优化的K近邻协同过滤算法［J］.小型微型计算机系统，2013，34（4）:806809．
［4］	杜茂康，刘苗，李韶华，等.基于邻近项目的SlopeOne协同过滤算法［J］.重庆邮电大学学报（自然科学版）,2014，26（3）:421426．
［5］	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］.计算机工程与科学，2014，36（6）:11721176．
［6］	郭艳红，邓贵仕.协同过滤的一种个性化推荐算法研究［J］.计算机应用研究，2008，25（1）:3941．
［11］	彭德巍，胡斌.一种基于用户特征和时间的协同过滤算法［J］.武汉理工大学学报，2009，31（3）:2428．
［12］	孙辉，马跃，杨海波，等.一种相似度改进的用户聚类协同过滤推荐算法［J］.小型微型计算机系统，2014，35（9）:19651970．

[1]	钟昊, 陈卫东. 一般图中的最小概要表示集问题[J]. 计算机工程与科学, 2023, 45(01): 113-118.
[2]	袁野, 廖薇. 基于多重相关信息交互的文本相似度计算方法[J]. 计算机工程与科学, 2022, 44(07): 1313-1320.
[3]	陈健鹏, 陈剑, 佘祥荣, 水新莹, 陈刚. 混合神经网络模型与注意力机制的地址匹配算法[J]. 计算机工程与科学, 2022, 44(05): 901-909.
[4]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[5]	王信, 刘晓燕, 张开琦, 王星, 严馨. 基于变更事件驱动的微服务组合平台设计与实现[J]. 计算机工程与科学, 2021, 43(10): 1781-1788.
[6]	马慧芳, 胡东林, 刘宇航, 李志欣. 融合作者合作强度与研究兴趣的合作者推荐[J]. 计算机工程与科学, 2021, 43(10): 1864-1872.
[7]	杨德志, 柯显信, 余其超, 杨帮华. 基于RCNN的问题相似度计算方法[J]. 计算机工程与科学, 2021, 43(06): 1076-1080.
[8]	李晓红, 王闪闪, 马堉银, 马慧芳. 融合相似度图和随机游走模型的多标签短文本分类算法[J]. 计算机工程与科学, 2021, 43(06): 1081-1087.
[9]	刘亚波, 吴秋轩. 基于长短时记忆网络的电商大数据同一性标定[J]. 计算机工程与科学, 2021, 43(03): 407-415.
[10]	肖继海, 崔晓红, 陈俊杰. 节点属性和拓扑信息相结合的脑网络聚类模型[J]. 计算机工程与科学, 2020, 42(11): 2088-2095.
[11]	吴晓崇, 段跃兴, 张月琴, 闫雄. 基于CNN和深层语义匹配的中文实体链接模型[J]. 计算机工程与科学, 2020, 42(08): 1514-1520.
[12]	郭竞知, 刘玮, 徐龙龙, 陈灯 . Agent能力承诺协作的自适应图规划协议生成算法[J]. 计算机工程与科学, 2020, 42(07): 1208-1214.
[13]	张晶, 黄浩淼, 王健敏, 保峻嵘. 融合CN跟踪算法改进的TLD实时目标跟踪算法[J]. 计算机工程与科学, 2020, 42(07): 1215-1225.
[14]	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.
[15]	李校林, 王成, . 一种基于质心的多标签文本分类模型研究[J]. 计算机工程与科学, 2020, 42(06): 1120-1126.