基于专家信任的协同过滤推荐算法改进研究

计算机工程与科学

基于专家信任的协同过滤推荐算法改进研究

刘国丽，白晓霞，廉孟杰，张斌

（河北工业大学人工智能与数据科学学院,天津 300401）

收稿日期:2019-03-19 修回日期:2019-04-24 出版日期:2019-10-25 发布日期:2019-10-25
基金资助:
国家自然科学基金（61702157）；河北省科技计划项目（17210305D）

An improved collaborative filtering

recommendation algorithm based on expert trust

LIU Guo-li,BAI Xiao-xia,LIAN Meng-jie,ZHANG Bin

（School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China）

Received:2019-03-19 Revised:2019-04-24 Online:2019-10-25 Published:2019-10-25

摘要/Abstract

摘要：

针对目前协同过滤推荐算法存在的冷启动、数据稀疏、可扩展性不高以及未考虑到不同社区簇之间可能存在相关性导致的推荐准确度低的问题，提出了一种在考虑同社区簇内专家信任基础上结合不同社区簇专家信任的推荐算法。在改进相似度计算时，改进算法不仅结合了Jaccard相关系数、用户的平均评分因子以及加权处理的Pearson相关系数，还结合了用来惩罚热门物品权重的流行度。在改进评分预测时，改进算法在引入了传统聚类推荐算法中的同社区簇专家信任后，还引入了不同社区簇专家信任。实验在MovieLens数据集上进行，实验结果表明，改进算法不仅缓解了冷启动和数据稀疏等问题，还显著提高了推荐准确度。

关键词: 协同过滤推荐, 专家信任, 相似度, 推荐精度

Abstract:

Aiming at the problems of cold start, sparse data, low scalability and low recommendation accuracy caused by insufficient consideration of the correlation between different community clusters, we propose a recommendation algorithm based on the trust of experts in the same community cluster and the trust of experts in different community clusters. In improving the similarity calculation, the improved algorithm not only combines Jaccard correlation coefficient, average score factor of users and Pearson correlation coefficient of weighted processing, but also combines the popularity used to punish the proportion of hot items. When improving the score prediction, the improved algorithm introduces the trust of experts in the same community cluster in the traditional clustering recommendation algorithm, and also introduces the trust of experts in different community clusters. Experiments on the MovieLens dataset show that the improved algorithm not only alleviates the problems of cold start and data sparseness, but also significantly improves recommendation accuracy.

Key words: collaborative filtering recommendation, expert trust, similarity, recommendation accuracy

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.

LIU Guo-li,BAI Xiao-xia,LIAN Meng-jie,ZHANG Bin.

An improved collaborative filtering

recommendation algorithm based on expert trust

[J]. Computer Engineering & Science.

[1]	贾康, 李晓楠, 李冠宇. 一种基于自适应结构感知池化图匹配的图相似度计算模型[J]. 计算机工程与科学, 2023, 45(11): 1999-2007.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.