面向数据稀疏问题的个性化组合推荐研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (21): 21-25.

面向数据稀疏问题的个性化组合推荐研究

姜维1，庞秀丽2，1

1.哈尔滨工业大学管理学院，哈尔滨 150001
2.黑龙江大学经济与工商管理学院，哈尔滨 150080

出版日期:2012-07-21 发布日期:2014-05-19

Research on personal hybrid recommendation overcoming data sparse problem

JIANG Wei1, PANG Xiuli2，1

1.School of Management, Harbin Institute of Technology, Harbin 150001, China
2.School of Economic and Business Management, Heilongjiang University, Harbin 150080, China

Online:2012-07-21 Published:2014-05-19

摘要/Abstract

摘要： 协同过滤技术是推荐系统中应用最为广泛的算法，其面临着数据稀疏性问题、冷启动、规模可扩展性等问题。工作体现在两点：一是在基于项的协同过滤模型中，改进了项间的相似度计算方法，相比调整余弦方法仅考虑一个要素，包含了三个要素：两项的具有共同用户的评分、共同评分用户数量、非共同评分用户数量；二是组合基于用户、基于项和基于奇异值分解的协同过滤推荐，通过多模型组合提高推荐性能。实验结果表明在基于项过滤中MAE指标上提高了4.30%。进一步，加权的组合多种模型方法比基于项方法提高了1.26%。

关键词: 个性化推荐, 协同过滤, 数据稀疏问题, 组合推荐

Abstract: Collaborative filtering is one of the typical personal recommendations, but some difficulties exist, such as the data sparse problem, cold starting problem, scaling expanding problem. Two respects of work are done: on one hand, an improved similarity measure is presented to overcome the data sparse problem, on the other hand, the SVD based special user erasing method is presented to overcome the noise-sample problem. The experiments show that the improved method increases 4.30% in terms of MAE, and the combined model, which adopts the weighted average method, further increases 1.26%.

Key words: personal recommendation, collaborative filtering, data sparse problem, combined recommendation

姜维1，庞秀丽2，1. 面向数据稀疏问题的个性化组合推荐研究[J]. 计算机工程与应用, 2012, 48(21): 21-25.

JIANG Wei1, PANG Xiuli2，1. Research on personal hybrid recommendation overcoming data sparse problem[J]. Computer Engineering and Applications, 2012, 48(21): 21-25.

[1]	张岐山，陈露露. 基于均衡接近度灰关联的Slope One算法[J]. 计算机工程与应用, 2021, 57(9): 96-102.
[2]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[3]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[4]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[5]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[6]	王永，赵旭辉，李晓光，肖玲. 一种面向协同过滤的快速最近邻居搜索方法[J]. 计算机工程与应用, 2021, 57(17): 96-105.
[7]	郑诚，王建. 联合注意力和自编码器的协同过滤推荐[J]. 计算机工程与应用, 2021, 57(10): 139-145.
[8]	陆航，师智斌，刘忠宝. 融合用户兴趣和评分差异的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(7): 24-29.
[9]	王卫红，曾英杰. 基于聚类和用户偏好的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(3): 68-73.
[10]	顾明星，黄伟建，黄远，生龙，申超，张梦甜. 结合用户聚类与改进用户相似性的协同过滤推荐[J]. 计算机工程与应用, 2020, 56(22): 185-190.
[11]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[12]	李浩，张亚钏，康雁，杨兵，卜荣景，李晋源. 融合循环知识图谱和协同过滤电影推荐算法[J]. 计算机工程与应用, 2020, 56(2): 106-114.
[13]	曾安，赵恢真. 融合了LSTM和PMF的推荐算法[J]. 计算机工程与应用, 2020, 56(19): 68-75.
[14]	刘春玲，张黎. 改进非对称相似度和关联正则化的推荐算法[J]. 计算机工程与应用, 2020, 56(16): 45-49.
[15]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.