基于领域知识的协同过滤推荐算法

传统协同过滤推荐算法中项目相似度的计算建立在用户评分项目交集之上,没有考虑不同项目之间所存在的语义关系,致使推荐准确率低。基于领域知识进行项目相似度计算的协同过滤算法在用户评分的共同项目很少的情况下仍能给出不错的推荐。实验结果表明,该算法可以有效地解决用户评分数据极端稀疏的问题,提高推荐系统的推荐质量。

基于领域知识的协同过滤推荐算法文章编号： 0 3 5 5 ( 0 0 0— 0— 3 10—8 0 2 1 )40 1 0 2

基于领域知识的协同过滤推荐算法Co l bo a i e Fit r ng Re o m e da i n Al o ih a e n Do a n Kno e g la r tv le i c m n to g r t m b s d o m i wl d e闫祥雨谢红薇孙静宇

(太原理工大学计算机与软件学院太原

00 2 ) 3 0 4

【摘要】传统协同过滤推荐算法中项目相似度的计算建立在用户评分项目交集之上，没有考虑不同项目之间所存在的语义关系，致使推荐准确率低。基于领域知识进行项目相似度计算的协同过滤算法在用户评分的共同项 目很少的情况下仍能给出不错的推荐。验结果表明，算法可以有效地解决用户评分数据极端稀疏的问题，实该提高推荐系统的推荐质量。【关键词】领域知识，协同过滤，稀疏性问题，项目相似性中图分类号：TP 1 32文献标识码：AAB TRACT S Tr dto a o l b r tv i e i g r c mme d to l o ih c l u a e t ms smi rt sn h n e s c i n o a ii n l c l o a ie f t rn e o a l n a i n a g rt m a c l t s ie i l i u i g t e i t r e t f a y o d f r n s r r tn t ms o sn tc n ie h e n i r l t n h p b t e i e e tIe,r s l n a lw c u a y r t .A i e e tu e a ig i f e,d e o o sd r t e s ma t e a i s i e we n d f r n t ms e u t i o a c r c a e c o f s

n v l c l b r tv i e i g a g rt ms b s d o o i n wl d e c n g v o d r s ls wh n u e o o e o l o a i e fl rn l o i a t h a e n d ma n k o e g a i e g o e u t e s r c mmo a i g ie r n r tn t ms a es a s . Th x e i n a e u t h w h t t i me h d c n e f in l mp o e t e e te

p r iy o s r r t g d t p re e e p rme t l r s l s o t a h s s t o a fi e ty i r v h x r me s a st f u e a i a a,a d c n n p o i e b te e o r vd e t rr c mme d to e u t . n a in r s ls KEYW ORD d man k o e g S o i n wld e,c l b r tv i e i g,s a s r b e,ie smi rt o l o a i e f t rn a l p r e p o l ms t m i l i a y

随着推荐系统规模的扩大，户数目和项目数目用 呈指数级增长，每个用户一般都只对很少的项目评分，

权平均数来产生预测。以这里牵涉到两个问题，目所项

相似性计算和预测产生[] 2。。.

这使整个用户一目评分矩阵非常稀疏，般都在 1 项一%之下[。 1由两个用户共同评分的项目则变得更少。于]基项目协同过滤算法的提出虽然避免了传统的协同过滤算法计算用户之间相似性的瓶颈，依然存在一些缺但

①项目相似性计算。在计算项目相似性时，常用

的有三种方法：弦相似性、余相关相似性、修正的余弦相似性。下面分别介绍这三种方法。

a弦相似性。 .余两个项目被看作是 m维用户空间上的两个向量。它们间的相似性通过计算两个向量问

陷。当每个用户都只对很少的项目给出评分时，整个用户评分矩阵非常稀疏，这就导致用户之间的相似性计

的余弦夹角来求得。+

算不准确，产生的最邻近的邻居用户不可靠，而难以从推荐或预测一个新项目。另外，统的协同过滤推荐算传法中用户相似度的计算建立在用户评分项目交集之上，没有考虑不同项目之间存在的语义关系，而导致从推荐准确率低。本文提出了一种基于领域知识的协同

t

●

'

(= O(一 ) CS, , )

而

‘ 1

b .相关相似性。选取在评分矩阵中对项目 i和项

目_都评过分的用户集合。『则项目 i和项目之间的 相似性 s ‘通过 P as n相关系数度量： i,) m(『 e ro., .

过滤推荐算法 (— ae F)该方法不仅考虑了项 DB b s dC,目间所

存在的语义，可在此基础上进行推理。并这能很好地解决以上两个问题。z',一.、

∑ u/~ (“- j E( )尺， R) lR j— ==二====== =========

√∑u(一。 E R一 E R ) - U√∑u (灭。 U )( ) 2

1基于项目的协同过滤算法传统的基于项目的协同过滤方法在于找到一组用户已经评分的项目，后计算它们与目标项 i然的相似性，并从中选出 k个最相似的项目{,,, )同时 ii… i。

其中，, .别表示用户 U对项目 的评 凡 分、

分。瓦、 J _分别表示或 J项目的平均评分。个c正的余弦相似性。 S(,)表示项目 i。修设 与项目歹之间的相似性。对项目 i和项目共同评过分的

计算它们相应的相似性{ …,。一旦最相似的 S¨S趴)项目被发现，过计算目标用户对这些相似项目的加通* 2 0— 12 0 9 1 - 4收到， 0 0 0— 4回 2 1—22改

用户集合用表示，项目 i则和项目 -间的相似性『之(,) 为

* *基金项目：西省国际合作项目 (08 8 0 2。 山 2 0 0 1 3 ) * * *闫祥雨，,9 4生，士，究方向：工智能。男 18年硕研人