项目属性和云填充的协同过滤推荐算法

《项目属性和云填充的协同过滤推荐算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于项目属性和云填充的协同过滤推荐算法摘要:传统协同过滤推荐算法中经常因用户评分矩阵极端稀疏而导致相似性度量方法不准,推荐质量不高,针对这一问题,提出一种基于项目属性和云填充的协同过滤推荐算法。利用云模型对用户评分矩阵进行填充,在填充矩阵基础上,利用传统的相似性计算方法得到项目之间的评分相似性,同时结合项目属性,计算项目的属性相似性,通过加权因子得到项目的最终相似性,从而形成一种新的相似性度量方法。实验结果表明,提出的算法可有效解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐

2、精度。关键词:协同过滤;稀疏数据;云填充;评分相似性;属性相似性;相似性度量collaborativefilteringrecommendationalgorithmbasedonitemattributeandcloudmodelfilling英文作者名sunjin-gang*,aili-rong英文地址(schoolofcomputerscienceandtechnology,northwesternpolytechnicaluniversity,xianshaanxi710129,china)abst

3、ract:theuserratingdataintraditionalcollaborativefilteringrecommendationalgorithmareextremelysparse,whichresultsinbadsimilaritymeasurementandpoorrecommendationquality.inviewofthisproblem,thispaperpresentedanimprovedcollaborativefilteringalgorithm,whichwasbas

4、edonitemattributeandcloudmodelfilling.thealgorithmproposedanewsimilaritymeasurementmethod,usingthedatafillingbasedoncloudmodelandthesimilarityoftheitemsattributes.thenewmethodcomputedtheratingsimilaritybyusingthetraditionalsimilaritymeasurementonthebasisof

5、thefillingmatrixandcomputedtheattributingsimilaritybyusingitemsattributes,thengotthelastsimilaritybyusingweightingfactor.theexperimentalresultsshowthatthismethodcanefficientlysolvetheproblemofsimilaritymeasurementinaccuracycausedbytheextremesparsityofuserr

6、atingdata,andprovidebetterrecommendationresultsthantraditionalcollaborativefilteringalgorithms.keywords:collaborativefiltering;sparsedata;cloudmodelfilling;ratingsimilarity;attributingsimilarity;similaritymeasure0引言internet技术的应用普及和现代电子商务的迅猛发展使得互联网中的资源数量呈指数增

7、长态势,从而出现了所谓的“信息爆炸”和“信息过载”现象,推荐系统[1]作为一种信息过滤的重要手段,是当前解决上述问题的有效方法之一。目前,几乎所有大型的电子商务系统,如淘宝、当当、amazon、ebay等都不同程度地使用了各种形式的推荐系统。随着推荐系统规模的扩大,用户评分数据出现极端稀疏性[2],导致算法的推荐质量降低。为了解决稀疏性问题,一些学者提出了算法改进措施:文献[3]提出基于云模型的相似度计算方法,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法。

8、文献[4]提出一种基于项目评分预测的协同过滤推荐技术,通过估计用户评分的办法补充用户项目评分矩阵,减小数据稀疏性对计算结果的负面影响。文献[5]通过奇异值分解(singularvaluedecomposition,svd)算法估计未评分项目的评分,并在稠密矩阵上计算用户间的相关相似度。文献[6]提出了一种基于云模型数据填充的推荐方法,通过云模型预测未评价的项目,进而根据填充了的用户项目评分矩阵计算用