分步预测协同过滤算法

《分步预测协同过滤算法》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、第32卷第11期计算机应用研究Vol．32No．112015年11月ApplicationＲesearchofComputersNov．2015*分步预测的协同过滤算法肖明波，郑鑫炜(杭州电子科技大学通信工程学院，杭州310018)摘要:针对数据稀疏性问题，对协同过滤推荐算法作了改进，提出分步预测的算法。算法先对评分矩阵作预处理，重新排列矩阵元素的位置，使评分数据集中到矩阵左上角，并对评分数过少的用户进行部分填充;然后再提取一个数据密度较高的子系统，用基于信任的算法填充其缺失值;最后通过不断向子系统里添加新用户、新项目的方法实现分步预测的目的

2、。通过在MovieLens数据集上的实验结果表明，新算法可以有效地缓解数据稀疏性问题，提高系统的推荐精度。关键词:数据稀疏性;协同过滤;分步预测;准确度中图分类号:TP391;TP301．6文献标志码:A文章编号:1001-3695(2015)11-3256-03doi:10．3969/j．issn．1001-3695．2015．11．012CollaborativefilteringalgorithmwithstepwisepredictionXiaoMingbo，ZhengXinwei(CollegeofCommunicationEngi

3、neering，HangzhouDianziUniversity，Hangzhou310018，China)Abstract:Thecollaborativefilteringrecommendationalgorithmhastheproblemofdatasparseness．Inordertosolvethisproblem，thispaperputforwardanewalgorithmwithstepwiseprediction．Itfirstlypreprocessedthescoringmatrix:rearrangedthel

4、ocationofthematrixelementstoconcentratethevaluestotheleftuppercornerandfilledpartofuser’smissingdatawhenitscoredtoolessprojects．Thenitextractedasubsystemwithhighdatadensityfromscoringmatrixandfilledthemissingva-luesbytrust-basedcollaborativefilteringalgorithm．Finallyitachie

5、vedstepwisepredictionbyconstantlyaddingnewuserornewproject．TheexperimentalresultsonMovieLensdemonstratethatthenewalgorithmcaneffectivelyalleviatethedatasparsenessproblemandimprovetheaccuracy．Keywords:datasparseness;collaborativefiltering;stepwiseprediction;accuracy合实际情况，因为用

6、户不可能对所有项目打同样的分数。所以0引言这种填充方法虽然增加了许多购买信息，但这些信息非常不准［9］确，由此得到的预测评分其精度也不是很高。张玉芳等人随着计算机技术的迅猛发展，信息化时代已经到来。现在互联网上充斥着海量的数据，人们可以通过电脑获得各种各样提出，首先只将相似度和共同评分过的项目数达到一定阈值的的信息，但同时也出现了信息过载和暗信息的现象［1］。面对用户作为目标用户的最近邻居，并通过协同过滤算法填充一部纷繁杂乱的信息，人们往往无从下手，陷于信息迷航的困境。分的未知评分，这样评分矩阵的数据密度就可以有所提高;然个性化推荐是解决该问

7、题行之有效的手段。它通过分析用户后在此基础上重新计算相似度并填充剩下的缺失值。这种方网上的历史信息，如购买经历、浏览记录等，来预测用户可能感法补充的信息量十分有限，只在一定程度上缓解了数据稀疏性兴趣的内容，并把这些内容推荐给他。这样不仅可以减少用户的问题，而且对于购买记录较少的用户根本找不到共同评分过搜索的时间，还可以推荐用户潜在的兴趣。个性化推荐系统已的项目数以达到阈值的近邻。［7］［10］经在互联网中得到了广泛的应用，并取得了良好的效果。在众Karatzoglou等人采用张量分解技术，方耀宁等人通［11］多的推荐系统中，协同过滤推荐系统可

8、以推荐无法进行内容分过奇异值分解技术，周子亮采用非负矩阵分技术都实现了析的产品，研究最早，应用最广泛，性能也较优越。但是协同过矩阵降维的目的。降维后的评分矩阵在形式