《计算机应用研究》|Application Research of Computers

基于标签优化的协同过滤推荐算法

Collaborative filtering recommendation algorithm based on tag optimization

免费全文下载 (已被下载 次)  
获取PDF全文
作者 张景龙,黄梦醒,张雨,吴庆州
机构 海南大学 a.南海海洋资源利用国家重点实验室;b.信息科学技术学院,海口 570228
统计 摘要被查看 次,已被下载
文章编号 1001-3695(2018)10-2916-04
DOI 10.3969/j.issn.1001-3695.2018.10.008
摘要 传统基于用户的协同过滤推荐算法在计算用户之间的相似度时只考虑了用户的评分,而忽略了不同项目之间的差异。针对传统方法在数据稀疏情况下表现不理想的缺点,提出了结合项目标签信息针对每个目标项为用户选择邻居的协同过滤推荐算法。算法首先基于用户评分矩阵确定最初的近邻,为每个目标项计算目标用户的邻居;当对目标项目评分的近邻数量极小或没有时,则考虑增加由标签信息拓展的近邻;最后根据近邻为目标项目预测评分。实验结果表明,该算法提高了相似性计算的准确性,有效地缓解了用户评分数据稀疏的问题,并提高了预测的准确性。
关键词 标签;拓展近邻;协同过滤
基金项目 国家自然科学基金资助项目(61462022)
国家科技支撑计划资助项目(2015BAH55F04,2015BAH55F01)
海南省重大科技计划项目(ZDKJ2016015)
海南省自然科学基金资助项目(614232,617062)
海南大学科研启动基金资助项目(kyqd1610)
海南省高等学校教育教改重点项目(Hnjg2017ZD-1)
本文URL http://www.arocmag.com/article/01-2018-10-008.html
英文标题 Collaborative filtering recommendation algorithm based on tag optimization
作者英文名 Zhang Jinglong, Huang Mengxing, Zhang Yu, Wu Qingzhou
机构英文名 a.StateKeyLaboratoryofMarineResourcesUtilizationinSouthChinaSea,b.CollegeofInformationScience&Technology,HainanUniversity,Haikou570228,China
英文摘要 Traditional user-based collaborative filtering algorithm in calculating the similarity among users only considered user rating projects, and ignored the differences among different projects. Aiming at the shortcomings of the traditional method in the case of sparse situation, this paper proposed a collaborative filtering recommendation algorithm to select the neighbors for each target item according to the item label information. To begin with, the algorithm determined the initial neighbor based on user rating matrix, and then calculated for each target the target user’s neighbor. When there was little or no neighbor who scored the target item, it considered the neighbor expanded by the label information. Finally, it predicted the target score according to the neighbor. Experimental results show that the algorithm improves the accuracy of the similarity calculation, effectively alleviates user rating data sparsity problem, and enhances the accuracy of forecasts.
英文关键词 tag; extended neighbors; collaborative filtering
参考文献 查看稿件参考文献
  [1] 刘红霞. 基于协同过滤技术的推荐系统综述[J] . 信息安全与技术, 2016, 7(3):24-26, 48.
[2] 马宏伟, 张光卫, 李鹏. 协同过滤推荐算法综述[J] . 小型微型计算机系统, 2009, 30(7):1282-1288.
[3] Jannach D, Zanker M, Felfernig A, et al. Recommender systems:an introduction[M] . Cambridge:Cambridge University Press, 2010.
[4] 宣照国, 苗静, 党延忠. 基于扩展邻居的协同过滤算法[J] . 情报学报, 2010, 29(3):443-444.
[5] Bobadilla J, Ortega F, Hernando A, et al. A balanced memory-based collaborative filtering similarity measure[J] . International Journal of Intelligent Systems, 2012, 27(10):939-946.
[6] Ma Hao, King I, Lyu M R. Effective missing data prediction for collaborative filtering[C] //Proc of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York:ACM Press, 2007:39-46.
[7] 汪静, 印鉴, 郑利荣, 等. 基于共同评分和相似性权重的协同过滤推荐算法[J] . 计算机科学, 2010, 37(2):99-104.
[8] 黄创光, 印鉴, 汪静, 等. 不确定近邻的协同过滤推荐算法[J] . 计算机学报, 2010, 33(8):1369-1377.
[9] 沈键, 杨煜普. 基于二阶段相似度学习的协同过滤推荐算法[J] . 计算机应用研究, 2013, 30(3):715-719.
[10] 彭德巍, 胡斌. 一种基于用户特征和时间的协同过滤算法[J] . 武汉理工大学学报, 2009, 31(3):24-28.
[11] 范波, 程久军. 用户间多相似度协同过滤推荐算法[J] . 计算机科学, 2012, 39(1):23-26.
[12] Yang Jinmin, Li K F. Recommendation based on rational inferences in collaborative filtering[J] . Knowledge-Based Systems, 2009, 22(1):105-114.
[13] Choi K, Suh Y. A new similarity function for selecting neighbors for each target item in collaborative filtering[J] . Knowledge-Based Systems, 2013, 37(1):146-153.
[14] 于金明, 孟军, 吴秋峰. 基于改进相似性度量的项目协同过滤推荐算法[J] . 计算机应用, 2017, 37(5):1387-1391.
收稿日期 2017/5/19
修回日期 2017/7/6
页码 2916-2919
中图分类号 TP301.6
文献标志码 A