基于条目流行度的协同过滤推荐优化算法

基于条目流行度的协同过滤推荐优化算法

摘 要 传统的基于条目（Item-based）的协同过滤算法在推荐系统中占有着举足轻重的作用，本文提出了一种针对该推荐算法的优化方法，抓住条目在时间维度上的评分变化规律，提出基于条目流行度的相似性计算方法，并通过组合其与条目内容的相似性，来改进传统的条目相似性计算方法。使得计算结果更符合实际场景，更适合在运用在实际推荐系统中，实验结果表明，本文提出的算法由于考虑到时间维度的因素，使得计算结果更加准确，并且可以显著的提高推荐精度。

关键词 协同过滤算法；条目相似性；推荐系统

0引言

近年来，由于电子商务和互联网的快速发展，推荐系统的作用日益突出，目前，几乎所有的电商网站，多媒体网站，社交网站，如淘宝，豆瓣，当当网，QQ，微博等都已经并且正在开发自己的推荐系统，协同过滤推荐算法是目前电商网站，社交网站推荐系统最为常用的推荐算法。考虑到时间维度，本文提出一种针对基于条目协同过滤算法的优化方法。

目前最常用的推荐技术主要包括两类协同过滤推荐算法，一种是基于条目的，一种是基于用户的，本文的优化算法主要是基于条目的协同过滤算法，该方法通过计算用户对不同条目的评分的相似性，在对目标条目的评分的预测时，通过评分的相似性找到目标条目的最近邻，然后通过最近邻项目的已知评分对目标条目进行评分估计。

1现有推荐算法分析

1.1相似性计算方法

常见的相似性计算方法包括：余弦相似性， 相关相似性和修正的余弦相似性。

记sim（i，j）表示条目i，j之间的评分相似性，主要采用以下3种方法进行度量：

Cosine （余弦相似性）

将用户空间看作m维空间，条目评分可以表示成m维向量，对于还没有用户评分的条目，可以设置该用户对该条目的评分为零，条目之间的相似性可以通过多维向量的夹角的的余弦值来表示。

假设共有m个用户，则用户对某条目的评分可以表示成m维向量，假设条