个性化推荐系统中协同过滤方法的研究

发布时间：2024-12-01 15:02

个性化推荐算法：Amazon Kindle Unlimited，Kobo的推荐系统 #生活乐趣# #阅读乐趣# #电子书推荐#

ComputerKnowledgeandTechnology电脑知识与技术第10卷第27期(2014年9月)人工智能及识别技术本栏目责任编辑唐一东个性化推荐系统中协同过滤方法的研究赵智1韩丹2(1.长春中国光学科学技术馆吉林长春1300002.空军航空大学吉林长春130012)摘要对基于余弦相似性、相关相似性与项目评分的CF算法进行了性能对比与评价对其在个性化推荐系统中的应用、面临的问题以及相应的解决方法进行了分析与研究。关键词个性化推荐系统相似性协同过滤算法平均绝对偏差中图分类号TP311文献标识码A文章编号1009-3044(2014)27-6459-02目前国际电子商务市场已成为发展最快的市场之一能否利用有限的资源快速找到用户所需是抢占市场商机的关键。最近邻居技术在个性化推荐系统中是目前最成功的。他的基本算法是先找到评分相似的最近邻居然后根据最近邻居的评分数据向目标用户推荐。这种推荐技术的结果成功率非常高与目标用户的实际需求非常相似。它并不依赖于对这些商品必须有的文本描述而是通过构造用户对项目的偏好数据集来实现因此在个性化推荐系统中成为一项很受欢迎的技术。1协同过滤算法的分类目前主流的协同过滤算法有两类基于内存和基于模型的协同过滤算法。1基于内存参与计算的数据集是用户—项目数据库2基于模型先利用各种机器学习的方法离线建立模型。模型的数据来源是用户的评分数据。模型建立完成后根据目标用户的对其它项目的实际评分得到用户对目标项目的预测结果。该文主要探讨基于模型的协同过滤算法。2最近邻协同过滤算法在众多推荐算法中最近邻推荐算法是最受欢迎的其推荐准确率也最高。第一步计算整个用户—项目数据库中所有用户对已评价项目的评价打分公式如下-ri=1|Ii|∑j∈Iirij(1)其中Ii表示用户i的评分向量。|Ii|表示用户Ii打过分的项目数目。第二步计算目标用户对未评价过项目的预测值公式如下paj=-ra+k∑i=1Nsim(a,b)(rbj--rb)(2)其中paj表示目标用户a对项目j的预测值。最近邻协同过滤算法首先计算与目标用户最相似的N个用户的评价数据。而不是计算所有用户与目标用户对某一项目的预测值。目标用户a和用户b之间的兴趣相似度用sim(a,b)表示。k=1∑i=1Nsim(a,b)是归一化因子。计算用户之间的相似度是整个协同过滤算法的核心。3.1传统的相似度计算方法1)基于余弦夹角的度量方法前提是将所有目标用户没评分的项目都假设为0分。然后将所有用户对项目的评分设定为n维空间上的向量。计算所有向量间夹角的余弦值作为用户间的相似度夹角越小相似度越高。相似性计算公式如下sim(a,b)=cos(a,b)=ab|a|×|b|(3)分子a*b表示目标用户a和最近邻居b共同评分的向量内积。分母|a|*|b|表示用户a和目标用户b向量模的内积。相似性度量所得的值越小表示两用户越相似。2)基于相关相似性的计算方法不同用户对同一项目的评分尺度是不同的但在基于余弦相似性的计算方法中没有避免这一点。基于相关相似性的计算方法。为避免此类偏差通过减去目标用户对所有项目评分的平均值来解决评分尺度不同而带来的误差。相似性公式计算如下sim(a,b)=

∑j∈Ia,b(raj--ra)(rbj--rb)∑j∈Ia,b(raj--ra)2∑j∈Ia,b(rbj--rb)2(4)在该算法中n维空间上的向量raj是目标用户a对向量空间中项目j的评分数据-ra和-rb为向量空间中最近邻居a和b对向量空间中分别对各自所有评价过的项目的平均分数据。收稿日期作者简介赵智(女吉林省吉林市人硕士工程师研究方向为人工智能与数据挖掘。

E-mail:eduf@dnzs.net.cnhttp://www.dnzs.net.cnTel:+86-551-6569096365690964ISSN1009-3044ComputerKnowledgeandTechnology电脑知识与技术Vol.10,No.27,September201465DOI:10.14004/j.cnki.ckt.2014.04692014-07-281980-49

网址：个性化推荐系统中协同过滤方法的研究 https://www.yuejiaxmz.com/news/view/335668

上一篇：在线医疗个性化推荐系统

下一篇：亚马逊个性化推荐系统

个性化推荐系统中协同过滤方法的研究

相关内容

随便看看

最新动态分享

热点动态分享

专题

推荐动态分享