融合邻域模型与矩阵分解模型的推荐算法

计 算 机 系 统 应 用 https://www.sodocs.net/doc/8f9785308.html, 2016 年 第25卷 第 6 期

154软件技术·算法 Software Technique ·Algorithm

融合邻域模型与矩阵分解模型的推荐算法①

张 航, 叶东毅

(福州大学 数学与计算机科学学院, 福州 350108)

摘 要: 协同过滤推荐算法是目前构建推荐系统最为成功的算法之一, 它利用已知的一组用户对物品喜好数据来对推测用户对其他物品的喜好, 其中, 能够直接刻画用户与项目潜在特征的矩阵分解模型和通过分析物品或者项目间相似度的邻域模型是研究的热点. 针对这两个模型存在的不足, 提出了一种将邻域模型与矩阵分解模型有效结合的方法, 进而构建了一个改进的协同过滤推荐算法, 提高了预测准确性. 实验结果验证了改进算法的正确性与有效性.

关键词: 推荐系统; 协同过滤; 矩阵分解模型; 邻域模型

Recommender Algorithm Incorporating Neighborhood Model with Matrix Factorization

ZHANG Hang, YE Dong-Yi

(College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350108, China)

Abstract : Collaborative Filtering(CF) is one of the most successful approaches for building recommender system,it uses the known preferences of a group of users to make predictions of unknown preferences of other users. The matrix factorization models which can profile both users and items latent factors directly,and the neighborhood models which can analyze similarities between users and items are current research focuses.A method of merging both matrix factorization models and neighborhood models is proposed, which can make further accuracy improvements. The experiment results show that this method is correct and feasible.

Key words : recommender system; collaborative filtering; matrix factorization model; neighborhood model

随着信息技术的迅猛发展, 互联网上存在着巨大信息源, 人们面临着严重的信息过载问题(information over-load)[1], 导致在查找自己所需信息时耗费大量时间. 个性化推荐系统[2]提供了一种有效的方式, 帮助用户缩减信息获取过程耗费的时间, 获取满意的信息.

协同过滤技术(Collaborative Filtering,CF)[3]是至今为止最为成功的个性化推荐技术之一. 它利用用户历史行为(如用户历史交易记录或者用户的评分)来进行个性化的推荐. 协同过滤推荐算法包括基于邻域的模型与潜在因子模型(latent factor model)等, 其中, 邻域模型主要刻画物品或者用户之间的相似度. 一个基于物品的邻域模型通过计算用户对相似物品的评分来预测用户对该物品的评分[4], 在某种意义上, 是将用户

映射入项目空间, 将用户视为已评分项目的集合; 基于矩阵分解(Matrix Factorization,MF)的潜在因子模型[5]的基本思想是把高维向量空间模型中的信息映射到低维的潜在语义空间中. 降维处理使得物品与用户的潜在关系能够在同一潜在子空间中自然的显现出来, 揭示隐含在复杂数据背后的简单结构, 在预测的稳定性以及精确度上获得了广泛的认可[6,7]. 协同过滤推荐技术的应用领域非常广泛, 其中Tapestry [8]是最早的推荐系统之一, 该系统记录了每个用户对他们阅读文章的观点, 并且这些观点可以被其他用户进行获取. GroupLens/Net Perceptions [9]、Ringo/Firefly [10]以及MovieLens 都是较早期的著名的推荐系统. 协同过滤推荐算法最大的优点是对推荐对象没有特殊要求, 能

① 基金项目:国家自然科技基金(61473089)

收稿时间:2015-10-10;收到修改稿时间:2015-12-02 [doi:10.15888/https://www.sodocs.net/doc/8f9785308.html,ki.csa.005185]