积分商城

最新搜索： LPC824 ad库文件 双飞翼 半桥 PID控制LABVIEW ICNM8001
您现在的位置是：首页 > 技术资料 > 基于矩阵填充和物品可预测性的协同过滤算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于矩阵填充和物品可预测性的协同过滤算法

更新时间：2019-12-25 11:49:50 大小：551K 上传用户：zhiyao6查看TA发布的资源 标签：矩阵填充 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对传统矩阵填充算法忽略了预测评分与真实评分之间的可信度差异和传统Top-N方法推荐精度低等问题,提出了一种改进的协同过滤算法.该算法首先利用置信系数C区分评分值之间的可信度;然后提出物品可预测性的概念,综合物品的预测评分与物品的可预测性进行物品推荐并将其转化为0-1背包问题,从而筛选出最优化的推荐列表.实验结果表明:该算法能有效缓解稀疏性的影响,提高推荐性能,并且算法具有良好的可扩展性.


部分文件列表

文件名 大小
基于矩阵填充和物品可预测性的协同过滤算法.pdf 551K

部分页面预览

（完整内容请下载后查看）
第 43 卷 第 9 期  
2017 年 9 月  
自
动
化
学
报
Vol. 43, No. 9  
ACTA AUTOMATICA SINICA  
September, 2017  
基于矩阵填充和物品可预测性的协同过滤算法  
刘勤让 1  
潘涛涛 1  
文 峰 2  
摘
要
针对传统矩阵填充算法忽略了预测评分与真实评分之间的可信度差异和传统 Top-N 方法推荐精度低等问题, 提出了  
一种改进的协同过滤算法. 该算法首先利用置信系数 区分评分值之间的可信度; 然后提出物品可预测性的概念, 综合物品  
的预测评分与物品的可预测性进行物品推荐并将其转化为 0-1 背包问题, 从而筛选出最优化的推荐列表. 实验结果表明: 该算  
法能有效缓解稀疏性的影响, 提高推荐性能, 并且算法具有良好的可扩展性.  
关键词 协同过滤, 推荐系统, 预测评分, 相似度, 0-1 背包问题  
引用格式 潘涛涛, 文锋, 刘勤让. 基于矩阵填充和物品可预测性的协同过滤算法. 自动化学报, 2017, 43(9): 1597−1606  
DOI 10.16383/j.aas.2017.c160644  
Collaborative Filtering Recommendation Algorithm Based on Rating Matrix  
Filling and Item Predictability  
PAN Tao-Tao1  
WEN Feng2  
LIU Qin-Rang1  
Abstract The traditional matrix filling algorithm ignores the diあerence between true rating and predictive rating, and  
there is only one standard on the traditional Top-N recommended method. In order to solve these two problems, an im-  
proved collaborative filtering algorithm is proposed. Firstly, the confidence coeきcient is used to distinguish the credibility  
of the ratings. Then, a concept of item predictability is proposed. The program recommends items by comprehensively  
considering the item′s predictive ratings and the predictability, and transforming the program into the 0-1 knapsack prob-  
lem so as to select the optimized recommended list. Experimental results show that the algorithm can eあectively alleviate  
the eあect of sparsity and improve the performance of the recommendation, and that the optimization algorithm has good  
expansibility.  
Key words Collaborative filtering, recommendation system, predictive ratings, similarity, 0-1 knapsack problem  
Citation Pan Tao-Tao, Wen Feng, Liu Qin-Rang. Collaborative filtering recommendation algorithm based on rating  
matrix filling and item predictability. Acta Automatica Sinica, 2017, 43(9): 1597−1606  
随着互联网技术的发展 数据资源急剧增长 快  
速而高效地从海量的数据中获取所需的信息变得日  
益紧迫 信息过载问题[1−2] 出现 在此背景下 搜索  
引擎和推荐系统是必不可少的技术 搜索引擎能够  
满足用户查找明确目标的需求 而推荐系统能够满  
足用户的潜在需求并且根据用户的兴趣提供个性化  
服务[3] 当前主流的推荐系统有基于内容的推荐系  
统和协同过滤推荐系统[4−5] 基于内容的推荐算法  
主要采用文本分类技术对物品内容进行分析 协同  
过滤算法是基于这样一个假设 若某些用户过去对  
一些物品的评分比较相似 则他们对其他物品的评  
分也比较相似 基于此假设 该算法首先找到目标  
用户的相似用户作为邻居用户 然后综合邻居用户  
对物品的评分来预测目标用户的评分 由于协同过  
滤算法不依赖于物品的内容 能很好解决对图片、音  
乐、电影等资源的推荐 所以被广泛应用于推荐系统  
中[6−7]  
尽管协同过滤技术取得了很大的成功 但同  
时也面临着严峻的稀疏性问题[8−9] 影响了相似  
度计算的准确性 降低了推荐性能 为了解决上  
述问题 国内外学者们提出了许多解决方法 最  
简单的方法就是设置固定的缺省值 利用用户或  
物品的评分均值等对评分矩阵进行填充[10] 由于  
这种方法忽略了用户或者物品之间的差异 可信  
度不高 邓爱林等[11] 提出基于物品评分预测的  
收稿日期 2016-09-08 录用日期 2017-01-16  
Manuscript received September 8, 2016; accepted January 16,  
2017  
国家高技术研究发展计划 (863 计划) (2014AA01A), 国家自然科学  
基金 (61572520) 资助  
Supported by National High Technology Research and Develop-  
ment Program (863 Program) (2014AA01A), National Natural  
Science Foundation of China (61572520)  
本文责任编委 周涛  
Recommended by Associate Editor ZHOU Tao  
1. 国家数字交换系统工程技术研究中心 郑州 450002 2. 江南计算  
技术研究所 无锡 214000  
方法对矩阵进行填充  
用户和基于物品的预测评分值来填充矩阵 陈刚  
等[12] 通过加权基于  
等[13] 采用  
神经网络进行评分预测并填充阵  
等[14] 提出基于信任传播的矩阵填充方法  
[15]  
提出基于云模型的矩阵填充方法 上述  
1. China National Digital Switching System Engineering and  
2. Jiangnan  
Technological R&D Center, Zhengzhou 450002  
Computing Technology Research Institute, Wuxi 214000  
矩阵填充方法虽然在一定程度上缓解了稀疏性的  
1598  
自
动
化
学
报
43 卷  
1
2
3
影响 但仍存在以下两个问题  
矩阵填充后未区分  
∪
用户 和用户 的评分物品并集  
∪
预测评分与真实评分之间的差别 从而影响了推荐  
性能 传统 推荐精度低 仅根据预测评分  
如式  
∪
所示  
的高低进行物品筛选 没有考虑物品的可预测性 例  
如 某物品的预测评分比较高 但是该物品的可预测  
性非常低 即大部分用户对此物品的预测评分与真  
实评分的偏差都非常大 则此物品预测评分的可信  
度就比较低 所以仅根据物品预测评分的高低生成  
推荐列表不够准确  
1
2
∪
∪
∪
相关定义  
定义 评分值可信度  
义填充矩阵中各评分值的可信度 设为  
定
矩阵经  
过评分填充后 用户的评分值可分为真实评分值与  
预测评分值 显然两者的可信度是不同的 本文引入  
针对上述两个问题 本文首先在矩阵填充后引  
来区分预测评分与真实  
入置信系数  
置信系数  
来区分预测评分值与真实  
评分之间的可信度 进而区分不同物品之间的意义  
大小 然后提出物品可预测性的概念 在推荐环节综  
合物品的预测评分与物品的可预测性 并将其转化  
评分值之间的差异 即真实评分的可信度为 预测  
评分的可信度为  
定义  
物品可信度  
定义  
为
背包问题 从而筛选出最优化的推荐列表  
本文结构安排 第 节划分了物品的层次 定义  
矩阵填充后 不同层次物品之间的可信度 传统  
矩阵填充算法的目的是将用户间的评分物品并集  
转换成共同评分物品集合即预测单一用户评  
了物品可预测性的概念并设计了基于矩阵填充和物  
品可预测性的协同过滤算法 节对算  
∪
第
2
分物品  
中未评分用户的评分值并填充矩阵  
法的性能进行分析 第 节通过实验来验证第  
的算法性能 第 节总结并指出下一步研究方向  
节
1
2
1
∪
中用户对物品的评分值均为  
中用户对物品的评分值为一个  
真实评分值和一个预测评分值 因此在相似度计算  
∪
2
真实评分值 而  
1 相关概念及定义  
1
2
1
时
中物品的可信度为  
本文根据评分值的可信度来区分物品的可信度 则  
和
中物品的可信度为  
中物品的贡献大小是不同的 设  
2
针对传统算法存在的问题 本文划分了物品层  
次 定义了评分值可信度、物品可信度以及物品可预  
′
测性等概念 并引入了  
背包问题 具体描述如下  
′
物品层次划分  
定义 物品可预测性  
义该物品预测评分的准确度 设为  
定
越大  
假设系统中用户集合为  
物品集合为  
· · ·  
用矩阵  
的评分 用 个评分等级来表示用户  
{
· · ·  
}
1
2
则此物品预测评分的准确度越高 根据物品 上所  
有已评分用户的真实评分 与预测评分 的偏  
差来计算物品 的可预测性 设物品 上已评分用  
{
} 用户评分信息可以  
1
2
×
∈
表示 其中  
表示用户 对物  
品
～
这
户集合为  
则物品 的可预测性  
{ |  
∈
∈
}
为常数  
所示  
对物品的偏好程度 用户 物品评分矩阵如式  
示
所
如式  
和
|
−
| ≤  
· · ·  
1 1  
1
其他  
· · ·  
假设用户 和用户 的已评分物品集合分别为  
1
∈
|
|
{ |  
∈
∈ } 和  
{ |  
背包问题  
∈
∈
} 则物品集合 可以分成 个层  
背包问题[16] 是一个经典的组合优化问题  
给定 个背包和 个物品 其中背包容量为  
的重量为 单价为 如何选择装入背包的  
物品 使得背包内物品的总价值 最大 背包问  
题的数学公式如式 所示  
1
次 共同评分物品集合  
2
、单一用户评分物品集合  
3
物
、共同未评分物品集合  
如下式所示  
品
1
{ | ∈  
∩
}
和
2
{ | ∈  
∪
∈
∩
}
≤
或
=1  
3
{ | ∈  
∪
∈ }  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号