融入用戶-項目標注網絡影響力的改進slope one算法研究

◆劉 錚 張 妍

融入用戶-項目標注網絡影響力的改進slope one算法研究

◆劉 錚1張 妍2

（1.遼寧大學信息學院 遼寧 110000；2.濟南職業學院計算機學院 山東 250103）

在協同過濾推薦領域中，slope one算法取得了較好的效果，但是該類算法忽略用戶及項目影響力差異性。針對此處不足，本文提出融入用戶-項目標注網絡影響力的改進slope one算法，該算法從用戶影響力及項目熱度兩方面計算權重值，并融入傳統算法中，達到了進一步提高算法準確率的目的。將本文算法應用在MovieLens數據集上與若干近似算法對比試驗，結果顯示本文算法在推薦準確率上有明顯提升。

協同過濾推薦，社會化標注，slope one算法

1 引言

隨著信息化社會高速發展，個性化推薦系統可有效解決信息過載，Slope One 算法是Lemire 等人[1]提出的基于項目的協同過濾算法，是一類簡潔高效的推薦算法，然而其未考慮項目和用戶群體差異性，造成推薦準確率面臨提升瓶頸。為解決上述問題，國內外學者進行了深入細致的研究工作。算法是較早的改進算法，通過用戶數加權進行改進。劉林靜[3]等人則是將用戶間的相似性作為預測評分權重具有一定提升。

用戶的標注行為蘊含了豐富的關聯信息，而傳統的改進算法多數未考慮這一關聯。本文提出一種融入用戶-項目標注網絡影響力的改進slope one 算法，利用PageRank算法分別計算用戶圖和項目圖的節點重要度，進而得到用戶和項目的重要度區分，將目標用戶的鄰居用戶重要度融入傳統算法的偏差計算中，同時在評分預測時融合項目的重要度差值，達到在標注數據中提升預測準確率的目的。

2 相關工作

2.1 傳統slope one算法

Slope one算法其具體公式如下：

給定任意兩個不同項目，平均評分偏差dev，如公式（1）所示：

其中，r為用戶對項目評分，S，代表同時對項目和評分的用戶集合。

用戶對未知項目預測評分pre，如公式（2）所示：

其中R表示用戶已經給予評分滿足條件（≠，S,非空）的項目集合。

3 融合用戶-項目標注網絡影響力的slope one算法

社會化標注數據包含了用戶間、項目間及用戶與項目中豐富的關聯信息，通過標注行為分別得到用戶關聯復雜圖，項目關聯圖，假設重要的用戶會標注更多數據，重要項目會吸引更多標注，下文予以分別介紹并計算其節點重要度。

3.1 用戶關聯圖及節點重要度計算

將用戶ID視為社交網絡中的用戶節點，通過分析數據集中用戶之間的關注關系視為用戶節點之間的連邊，從而構建整體的無向用戶關系網絡。引入PageRank算法如公式（3）所示：

其中，為阻尼因子一般取值為0.85；為用戶總數；（）為用戶關注的用戶的集合；（）為與節點相連節點的邊的權重值，（）為相連節點的度。

3.2 項目關聯圖及節點重要度計算

與用戶“實體群”不同的是，項目實體群沒有網絡連接關系，故首先需要建立項目[4]之間的連接關系，然后采用PageRank算法來衡量不同項目的熱度。改進的PageRank表示項目重要度指標模型，如公式（4）所示。

3.3 融合用戶-項目標注網絡影響力的slope one算法

首先，將前文計算所得用戶節點重要度加權到平均偏差計算中如公式（5）：

第二步，最終的評分值預測，引入不同項目的重要度偏差，如公式（6）：

4 實驗結果與分析

本文采用 MovieLens 網站公布的小型數據集（MovieLens Latest. Datasets）。其中包含有 700名用戶對 9000部電影的 100000 條評分，取標注行為最多的前100用戶，然后選擇此100人標注數最多的500部電影作為項目集合，得到13490條標注記錄。選擇80%為訓練集，剩余20%為測試集。

實驗采用平均絕對誤差（MAE）及均方根誤差（RMSE）作為評價標準。定義公式如（7）

選取傳統slope one[1]（SO）算法；加權slope one[2]算法（WSO）以及融合用戶相似度[4]的算法（BWSO）與本文算法PRSO作為對照試驗，實驗結果下所示。

由圖1可見，本文算法在MAE，RMSE指標對比三類算法均取得了不同程度的提升，因為本文算法分別融合了用戶重要度差異及項目重要度差異，在本文選取處理過的具有社會化標注行為的數據集中，對比其他同類算法，具有明顯優勢。

圖1 算法MAE值對比

5 結束語

本文針對傳統slope one算法忽視不同用戶及項目重要性差異的問題，提出了一種融合用戶-項目標注網絡影響力的改進算法，通過用戶-標簽-項目數據分別得到用戶關聯圖及項目關聯圖，并利用PageRank算法分別計算節點重要度，以此獲取用戶標注行為中蘊含的豐富關聯信息。進而融入傳統slope one算法中。經實驗證明在用戶標注行為密集的數據集中，本文算法預測精度得到了明顯提升。如何提升算法在稀疏數據準確率和冷啟動問題成為下一步研究重點。

[1]Lemire D，Maclachlan A．Slope One predictors for online ratingbased collaborative filtering[C]．In：Proceedings of the Fifth SIAM International Conference on Data Mining，2005：471-480．

[2]李桃迎，李墨，李鵬輝.基于加權Slope One的協同過濾個性化推薦算法[J].計算機應用研究，2017，34（08）：2264-2268.

[3]劉林靜，樓文高，馮國珍.基于用戶相似性的加權Slope One算法[J].計算機應用研究，2016，33（09）：2708-2711.

[4]白楊. 社交網絡中的標簽主題識別及社群挖掘方法研究[D].大連理工大學，2018.