一種改進用戶相似度的協同過濾推薦算法

李德新++鐘俊

摘要：在協同過濾推薦系統的相關研究中，計算用戶的相似性時通常使用傳統的余弦法、Jaccard相似法，而基于這些算法所得到的評分預測往往不夠精確，且進行Top-N推薦時難以達到預期的效果。本文將用戶相似度細分為分值差距度、評分傾向相似度、共同評分物品數權值三部分，提出一種改進型相似度計算方法。在MovieLens數據集上進行實驗，以預測誤差MAE為評價指標，結果表明，該算法可以顯著改善上述指標，提高推薦質量。

關鍵詞：協同過濾；用戶相似度；用戶評分；評分預測；推薦算法

中圖分類號：TM393 文獻標識碼：A 文章編號：1007-9416（2017）02-0158-02

1 引言

為了解決從大量信息中獲取感興趣的信息這一難題，推薦系統技術應運而生。現今的推薦算法紛繁復雜，但是大體上可以分為：基于內容的推薦、協同過濾推薦等。其中運用得最成功且廣泛的非協同過濾推薦算法莫屬。協同過濾推薦技術又可以分作2類，其一是基于用戶的協同過濾（User- based Collaborative Filtering， UserCF）推薦算法，而另一類則是基于項目的協同過濾（ Item- based Colla-borative Filtering，ItemCF）推薦算法[3]。

文獻[4]提出一種采用結合修正公式改進的 Jaccard 相似性系數計算用戶之間的相似度，在計算過程中考慮用戶之間共同評分項和所有評分項的關系， 以及用戶在共有的評價項目集合上的評分差別對用戶的相似度的影響， 從而獲取更加精確的用戶相似度矩陣。文獻[5]在將用戶相似性細分為用戶評分相似度、興趣傾向相似度和置信度3方面，提高評分預測和推薦質量。該文在借鑒文獻[4]和文獻[5]工作的基礎上，提出一種改進的相似度計算及評分預測的算法。該算法可以充分運用已經存在的用戶評分數據，解決不同用戶評分偏好的差異，更準確地計算目標用戶與其他用戶的相似度，與傳統的相似度度量方法相比，該方法推薦精度和質量更高。

2 協同過濾推薦算法

2.1 算法運行主要步驟

協同過濾技術主要有以下幾步：首先計算出用戶或者項目之間的相似度，其次選擇和目標用戶或目標項目相似度最大的K個用戶或者K個項目作為其最近鄰居集合，在此鄰居集合的基礎上，產生推薦結果。協同過濾推薦技術主要包括四個步驟：建立用戶-項目評分的矩陣、確立最近鄰居集合、產生預測評分、產生推薦結果[4]：

2.1.1 建立用戶-項目評分的矩陣

協同過濾推薦技術在用戶對項目的歷史評分信息數據的基礎上，建立起用戶和相應項目的評分矩陣。

2.1.2 確立最近鄰居集合

最近鄰居集合指的是和目標用戶的興趣相似的若干用戶，推薦系統將目標用戶和其他用戶之間的相似度按大小降序進行排序，選擇排序靠前的K個用戶，以此為目標用戶的最近鄰居集合，顯然，計算用戶之間的相似性的關鍵在于確立最近鄰居集合。

2.1.3 產生預測評分

5 結語

本文提出了一種新型的度量用戶間相似度的算法，將用戶相似度細粒度化，劃分為分值差距度、評分傾向相似度、共同評分物品數權值3部分，在深度發掘用戶評分數據信息的基礎上，使用戶相似度的計算更加高效，預測精度更高。實驗結果表明，較之傳統用戶相似性度量方法，本文方法在評分預測方面誤差更小，效果令人滿意，有一定的工程應用價值。

參考文獻

[1]冷亞軍，陸青，梁昌勇.協同過濾推薦技術綜述[J].模式識別與人工智能，2014，27（8）：720-734. doi：10.3969/j.issn.1003-6059.2014.08.007.

[2]Ahn H J. A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem[J].Information Sciences， 2008， 178（1）：37-51. doi：10.1016/j.ins.2007.07.024.

[3]項亮.推薦系統實踐[M].北京：人民郵電出版社，2012：110-120.

[4]任看看，錢雪忠.協同過濾算法中的用戶相似性度量方法研究[J].計算機工程，2015，41（8）：18-22，31. doi：10.3969/j.issn.1000-3428.2015.08.004.

[5]丁少衡，姬東鴻，王路路.基于用戶屬性和評分的協同過濾推薦算法[J].計算機工程與設計，2015，36（2）： 487-491，497.doi：10.16208/j.issn1000-7024.2015.02.039.