網站中個性化推薦的探究

[摘 要] 傳統的協同過濾算法在計算用戶相似度時，只考慮其評分，而忽略了不同用戶評分的差異性。為此，本系統對傳統的協同過濾算法做了改進，對貴賓用戶的評分進行了加權處理，這樣可以提高某些商品的預測評分，從而提高推薦的質量。

[關 鍵 詞] 個性化推薦；協同過濾算法；相似性

[中圖分類號] G203 [文獻標志碼] A [文章編號] 2096-0603（2017）02-0156-01

一、協同過濾算法介紹

為了解決用戶的評分力度問題，用平均規范化可以解決。公式如下：

Pu■i■=■+■

用上述方法產生的對目標用戶沒有評分的項目進行預測評分，接著再按照評分的高低順序排列，把符合條件的前面幾項或大于某個閾值的前面幾項推薦給目標用戶。

二、算法存在的問題

1.隨著用戶和商品數量的不斷增加，參與評分的數據規模也越來越大。

2.越是熱門的商品越容易得到推薦，而使冷門的商品無法被推薦。

3.算法中沒有考慮到用戶活躍度和推薦結果間的關系。

三、推薦公式改進設計

（一）計算相似度的改進

為提高推薦算法的性能，必須考慮長尾分布的影響。為此，可以在計算相似度時消除雙方都購買了熱門商品的影響。對于給定用戶u和用戶v，計算相似度的公式可以改進如下：Wu？淄=■

其中，參數N（u）表示目標用戶u曾經購買商品后對商品的正反饋的集合，參數N（v）表示購買了目標用戶相同商品的用戶v對商品的正反饋的集合。公式中增加了■用來懲罰目標用戶u和用戶v在購買共同商品的興趣列表中熱門商品對其相似度的影響。

（二）計算用戶興趣度的改進

對VIP用戶的評分進行加權處理。在推薦系數相同（普通用戶為1）的情況下，VIP用戶可以獲得一定的推薦權值，從而對結果產生一定的影響。具體采用多少和VIP用戶的等級有關。

而用戶興趣度的計算公式可以改為：P（u，i）=■

其中，參數S（u，K）指和目標用戶u興趣愛好最接近的前K個用戶，參數N（i）是指對商品i曾經有過正面反饋行為的所有用戶集合，wuv是前面步驟中計算出的目標用戶u和其他用戶v的相似度，rvi表示鄰居用戶v對物品i的興趣度。如果該鄰居用戶是普通用戶，它取值為1，對于VIP用戶來說，可以增加適當權值參與計算。

四、實驗設計

1.把數據集隨機均勻分為8份，選擇任意一份作為測試集，剩下的7份作為訓練集。

2.在訓練集上建立用戶興趣模型。在測試集上通過鄰居用戶的評分數據來計算目標用戶對未知商品的預測評分，并且計算出相應的評測指標。

3.為了使測試結果更加真實全面，數據對比性強，實驗中對推薦個數的取值設為（5，10，20，40，80，160）。

參考文獻：

[1]李海霞.基于蟻群聚類的電子商務商務個性化推薦算法研究[D].山東師范大學，2014.

[2]劉恒.基于協同過濾的推薦技術研究[D].蘭州理工大學，2014.