２０１４年１１月 咸阳师范学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｘｉａｎｙａｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ ＮＯＶ．２０１４ Ｖｂ１．２９ Ｎｏ．６ 第２９卷第６期 【计算机科学与应用研究】 一种改进协同过滤推荐算法 陈伟，师秦龙 （咸阳师范学院信息工程学院，陕西咸阳７１２０００） 摘要：在传统的协同过滤推荐算法基础上，对传统协同过滤算法中冷门物品不能进行处理问 题进行剖析，提出一种改进的协同过滤推荐算法。通过实验仿真，验证了该算法的有效性。 关键词：电子商务；个性化推荐；协同过滤 中图分类号：ＴＰ３１ 文献标识码： Ａ 文章编号：１６７２—２９１４（２０１４）０６—００４７—０３ Ａｎ Ａｄａｐｔｉｖｅ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ＣＨＥＮ Ｗｅｉ，ＳＨＩ Ｑｉｎ—ｌｏｎｇ （Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉａｎｙａｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉａｎｙａｎｇ ７１２０００，Ｓｈａａｎｘｉ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｄｅｓｃｒｉｂｅｓ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｓｙｓｔｅｍ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｍ ｈｗｈｉｃｈ ｄｏｅｓ ｎｏｔ ａｐｐｌｙ ｔｏ ｍｕｌｔｉ－－ｕｓｅｒ ｉｎｔｅｒｅｓｔ ｉｎ ｔｈｅ ｐｒｏｂ－・ ｌｅｍ ａｎａｌｙｓｉｓ，ｐｒｏｐｏｓｅｄ ｉｍｐｒｏｖｅｄ ｕｓｅｒ－ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ａｎ ｉｍ－ ｐｒｏｖｅｄ．Ｔｈｒｏｕｇｈ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｔｏ ｖｅｒｉｆｙ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｖｅｒｉｉｆｅｄ． Ｋｅｙ ｗｏｒｄｓ：ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ；ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ；ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍ— ｍｅｎｄａｔｉｏｎ； 随着电子商务的普及，网上购物已经成了一种 成功、最广泛的技术。传统的过滤算法是根据相似 普遍的商业模式。在电子商务网站环境下，提供的 用户的行为来对物品进行推荐或者预测。 商品种类日益繁多，从商品和用户的角度来分析推 协同过滤算法需要事先获得用户或物品的特 荐技术，发掘用户所感兴趣的商品，是个性化推荐的 征，它们只依赖于用户过去的行为，以评分的形式收 核心问题。在推荐算法方面，协同过滤算法是应用 集用户对物品的反馈，接着计算用户之间的相似度， 最广泛的个性化推荐技术，基于用户之间的相似性， 然后利用与目标用户相似度较高的邻居对其他物品 即邻居用户产生推荐效果。文献［１］使用奇异值分解 的评价，来预测目标用户对特定物品的喜好程度，最 技术减少特征向量空间的维数，提高最近邻的搜索 后根据这一喜好来对目标用户进行推荐 。协同过 速度。文献［２］对用户最近邻和项采用不同权重的方 滤算法从３个方面考虑：收集用户偏好、相似度计算、 法提高推荐质量。文献［３】提出一种优化的协同过滤 用户推荐。 算法，文献【４］提出基于项目聚类的协同过滤推荐算 （１）收集用户偏好。传统协同过滤技术的推荐 法。本文在聚类协同的基础上，提出一种改进的相 系统中，采用评分数据来表示用户的喜好。评分机 似度计算方法，改善了协同过滤算法的推荐质量。 制分为显性评分和评分两种。显性评分是直接 给项目评分，如百度里面的用户评分。评分就 １传统的协同过滤推荐算法 协同过滤这一概念首次于１９９２年由Ｇｏｌｄｂｅｒｇ、 是通过评价或是购买行为给项目评分。如当当网中 Ｎｉｃｏｌｓ、Ｏｋｉ和Ｔｅｒｒｙ提出，应用于Ｔａｐｅｓｔｒｙ系统。目 用户对书目的评价。（２）相似度计算。协同过滤算法核心是根据用 前协同过滤推荐算法是个性化推荐技术 中应用最 收稿日期：２０１４—１０—２０ 基金项目：陕西省大学生创新创业训练项目（１７４１）；成阳师范学院大学生创新创业训练项目（２０１４１０７２２０２７）。 作者简介：陈 伟（１９７６－），男，陕西西安市人，成阳师范学院信息工程学院讲师，研究方向为机器学习与大数据。 咸阳师范学院学报 第２９卷 户一物品评分矩阵发现需要推荐的目标用户的最近 户对冷门物品采取过同样的行为更能说明他们兴趣 邻，即：对当前用户，要产生相似度较近的邻居组合， 的相似度。 形成新的聚类。相似度的度量方法很多，最常用的 ２．２算法设计 （１）收集用户的偏好。在收集用户行为数据时， 有皮尔森相关系数 、余弦相似度 。 皮尔森相关系数，通过Ｐｅａｒｓｏｎ系数公式来计 对数据进行一定的预处理。方法有两种：减噪和归 化。减噪，用户行为数据是用户在使用过程中产 算，主要来衡量两个数值之间的线性关系；余弦相似 可能存在噪音，去除噪音使得数据分析更加精 度，用户评分可看作ｎ维向量空间，用户相似度通过 生的，向量之间的夹角来度量，余弦值越大用户问相似度 确；归一化，将各类数据除以此类中最大值，以保证 一越高。 Ｐｅａｒｓｏｎ相似度计算公式： ∑ ∈ ．（ ～巧）（ 一 ） ’ 其中 是对物品ｉ和 都评过分的用户集合， 是 用户甜对物品ｉ的评分， ，是所有用户对物品ｉ的平 均评分。得到所有物品之间相似度之后，可以通过 简单加权平均预测用户Ｕ对物品ｉ的评分，如公式 （２）所示。 Ｐ 姿喾塑 — —厶ｊＥＫ —一 （Ｊ（２） 其中Ｋ是用户 所有已评分项目中与ｉ最相似的居 个物品的集合。 （３） 用户 和用户 ，Ｎ（ｕ）表示用户 曾经有过正反馈 的物品集合，Ｎ（ ）为用户 曾经有过正反馈的物品 集合。 （３）用户推荐。根据相似性最高用户选择的物 品，推荐合适的物品给其他用户。 ２改进协同过滤推荐算法 ２．１问题分析 传统的协同过滤推荐算法是用邻居对某一物品 的喜好来形成用户对该物品抉择，最近邻用户是和 当前用户相似度最高的用户。考虑两种情况，第一， 最近邻用户和当前用户兴趣爱好不一定与预测的方 面爱好相同，而有可能是其他方面的爱好。如果仍 采用最近邻预测，其误差是一定。第二，两个用户都 买过《新华字典》，不能说明他们兴趣相似，因为绝大 部分人都买《新华字典》。但如果两个用户都买过 《数据挖掘导论》，那可以认为他们兴趣比较相似，只 有研究数据挖掘的人才会买这本书。所以，两个用 归一化后数据取值在【０，ｌ】范围中。 （２）相似度计算。①根据问题分析，在计算相似 度之前，将采用聚类技术按照某种圭臬划分 ，对具 有相似性的评价映射到此类别中，统计参数，计算相 似度。②相似度计算，对余弦相似度计算进行改进， 提高对冷门物品相似性处理。 改进相似度计算公式： 一ｆ∈Ｎ（“）ｎＮ（ ）ｌｏｇ １＋ｌＮ（ ｆ４） ～ 、ｆ｛Ｎ（“ ＩＮ ｌ 通过 惩罚了用户 和用户 共同兴趣 列表中热门物品对相似度的影响。 （３）用户推荐。根据用户推荐中的方法来推荐 适合的物品。用户的预测：已知用户 已评分项集 Ｌ，则用户１１对任意未评价项ｉ的预测是 ＋ ㈦ ／＂Ｊ ｖ６１“ 其中Ｐ 是用户 对物品的评分预测 ，Ｌ是邻居的集 合也就是和用户 最相似的用户的集合。，－ 是用户 对物品的评分，而用户 和 之间的相似度记为 。 ３实验分析 ３．１数据集 实验采用的数据集是来自美国Ｍｉｎｎｅｓｏｔａ大学 ＧｒｏｕｐＬｅｎｓ项目组提供的ＭｏｖｉｅＬｅｎｓ数据集。Ｍｏｖ— ｉｅＬｅｎｓ是ＧｒｏｕｐＬｅｎｓ项目组开发的一个基于Ｗｅｂ的 研究性推荐系统，用于接收用户对电影的评分并提 供相应的电影推荐列表。 实验从数据库中抽取一部分数据集：２００个用户 对８５７部电影的１６ ５４３条评分数据，将评分集转换成 用户一项目评分矩阵。实验中考虑数据集的稀疏等 级，它被定义为用户一评分矩阵中没有被评分的条目 所占的百分比。数据集稀疏等级为： １—１ ６５４３／（２００×８５７）＝０．９０３５。 ３．２实验结果分析 （１）最近邻大小不同下推荐结果比较如表１所 第６期 陈伟，等：一种改进协同过滤推荐算法 ・４９・ 表１最近邻大小不同所得测试数据 示，改进的算法的预测效果在区间内都好于传统协 同过滤算法。 （２）改进协同过滤算法与传统协同过滤比较如 表２所示，通过以上数据分析，说明在计算用户兴趣 相似度时考虑物品的流行度对提升推荐结果确实有 帮助。 表２传统算法与改进算法比较 ４结论 个性化推荐系统是新兴的重点研究领域，随着 用户需求的提高，推荐算法的研究不断完善和发 展。本文提出基于改进的协同过滤算法考虑了分类 用户，以及冷门兴趣的相似性对推荐结论的影响，改 善了协同过滤推荐算法的质量。目前推荐系统已经 向混合型推荐、以及社交网络的推荐方面提出了新 的需求，更需要新的技术来推动推荐系统的发展。 参考文献： 【１］Ｚｈｏｕ Ｔａｏ，Ｊｉａｎｇ Ｌｕｏｌｕｏ，Ｓｕ Ｒｉｑｉ，ｅｔ ａ１．Ｅｆｆｅｃｔ ｏｆ ｉｎｉｉｔａｌ ｃｏｎ＝ ｆｉｇｕｒａｔｉｏｎ ｏｎ ｎｅｔｗｏｒｋ－ｂａｓｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［３］．Ｅｕｒｏｐｈｓｉｃｓ Ｌｅｔｔｅｒｓ，２０１１，８１（５）：２８５－２９３． ［２］Ｌｉｕ Ｊｉａｎｇｕｏ，Ｚｈｏｕ Ｔａｏ，Ｗａｎｇ Ｂｉｎｇｈｏｎｇ，ｅｔ ａ１．Ｈｉｇｈｌｙ ａｃｃｕｒａｔｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｈｉｉｇｈ・ｏｒｄｅｒ ｓｉｍｉｌａｒｉｉｔｅｓ ［Ｊ】．ＰｈｙｓｉｃａＡ，２０１２，３８９（８）：８８１—８８６． 【３】周军锋，汤显，郭景峰．一种优化的系统过滤推荐算法［Ｊ］． 计算机研究与发展，２００４，４１（１０）：１９４３—１９４７． 【４】洪雪飞，徐维祥．基于粗糙集的决策树推荐算法【Ｊ】计算机 工程与应用，２００９，４５（１３）：１６３－１６５． ［５】刘建国，周涛．个性化推荐系统的研究进展［Ｊ］．自然科学 进展，２００９，１９（１）：１一ｌ５． ［６］Ｔａｋａｃｓ Ｇ．，Ｐｉｌａｓｚｙ Ｉ，Ｂｏｔｔｙａｎ Ｎ，ｅｔ ａ１．Ｍａｊｏｒ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｈｔｅ ｇｒａｖｉｔｙ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ［Ｃ］．ＳＩＧＫＤＤ Ｅｘｐｌｏｒ． Ｎｅｗｓｌ，２００７（９）：８０－８３． 【７］Ｒｅｓｎｉｃｋ Ｉａｃｏｖｏｕ Ｎ，Ｓｕｃｈａｋ Ｍ，ｅｔ ａ１．Ｇｒｏｕｐｓｌｅｎｓ：Ａｎ ｏｐｅｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ ｏｆ ｎｅｔｎｅｗｓ［Ｃ］．Ｉｎ Ｐｒｏ． ｃｅｅｄｉｎｇｓ ｏｆ ＡＣＭ １９９４ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ，ＡＣＭ，Ｃｈａｐｅｌ Ｈｉｌｌ，Ｎｏｒｔｈ Ｃａｒｏｌｉｎｅ，１９９４： １７５－１８６． ［８］Ｌｉｎｄｅｎ Ｇ Ｄ，Ｓｍｉｔｈ Ｂ，Ｙｏｒｋ Ｊ．Ａｍａｚｏｎ．ｃｏｍ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ： ｉｔｅｍ—ｔｏ－ｉｔｅｍ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥ Ｉｎｔｅｍｅｔ Ｃｏｍｐｕｔ－ ｉｎｇ，２００３，７（１）：７６－８０． ［９】邢春晓，高凤荣，战思南，等．适应用户兴趣变化的协同过滤 推荐算．法【Ｊ】．计算机研究与发展，２００７，４４（２）：２９６—３０１． ［１Ｏ】王太雷．个性化推荐系统相似模式聚类研究【Ｊ】．计算机工 程，２０１０。５（６）：ｌ５３－１５７．
