一种模糊认知的协同过滤算法

计算机工程与科学

一种模糊认知的协同过滤算法

刘井平，李平

（长沙理工大学计算机与通信工程学院,湖南长沙 410114）

收稿日期:2016-12-20 修回日期:2017-02-15 出版日期:2018-05-25 发布日期:2018-05-25
基金资助:
湖南省教育厅重点项目（14A004）；长沙理工大学研究生科研项目（CX2015SS16）

A collaborative filtering algorithm based on fuzzy cognition

LIU Jing-ping,LI Ping

(School of Computer & Communication Engineering,
Changsha University of Science & Technology,Changsha 410114,China)

Received:2016-12-20 Revised:2017-02-15 Online:2018-05-25 Published:2018-05-25

摘要/Abstract

摘要：

协同过滤是目前电子商务推荐系统中应用最成功的个性化推荐技术之一，但传统的协同过滤算法认为各个时期的评分数据信息是静态的。针对该问题，提出两种模糊认知：评分的模糊递增和评分权重的模糊递增。首先，对项目的评分信息划分时间窗口，且利用链式结构计算项目的相似性，选择目标项目的最近邻居；其次，对评分数据赋予时间权重，提出一种权重函数，并对传统的预测方法进行改进。同时，在预测阶段提出一种分层式的优化策略对评分的时间权重进行求解，完成推荐。最后，在Netflix的数据集实验结果表明，该算法较传统的协同过滤算法有显著的提高，推荐准确率提升了9.8%~14.1%。

关键词: 协同过滤, 模糊认知, 相似性度量, 评分预测

Abstract:

Collaborative filtering is one of the most successful personalized recommendation techniques currently used in E-commerce recommendation systems. However, traditional collaborative filtering algorithms assume the ratings to be static in each period. To solve this problem, two kinds of fuzzy cognition are proposed: fuzzy increasing of ratings and fuzzy increasing of time weights. Firstly, item ratings are divided into time windows, the similarity between items is calculated using a chain-structure, and the nearest neighbors of the target item is selected. Secondly, time weights are assigned to ratings, a weight function is proposed, and the traditional prediction method is improved. At the same time, a hierarchical optimization strategy is proposed in the prediction phase to solve the time weights of ratings, thus completing the recommendation. Finally, experiments on the Netflix datasets show that, compared with the traditional collaborative filtering algorithms, our proposal improves the recommendation accuracy by 9.8%~14.1%.

Key words: collaborative filtering, fuzzy cognition, similarity measurement, rating prediction

刘井平，李平. 一种模糊认知的协同过滤算法[J]. 计算机工程与科学.

LIU Jing-ping,LI Ping. A collaborative filtering algorithm based on fuzzy cognition[J]. Computer Engineering & Science.

[1]	吴斯琦, 赵清华, 于雨晨. 基于元学习的图神经网络冷启动推荐[J]. 计算机工程与科学, 2024, 46(09): 1675-1684.
[2]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[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]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[15]	罗斌，陈翔. 幂律特性在新浪微博个性化推荐中的应用研究[J]. 计算机工程与科学, 2018, 40(04): 731-739.