顾 凯,刘建明

G-S模型下的协同过滤算法

顾 凯1,刘建明2

(1.桂林电子科技大学电子工程与自动化学院,广西桂林 541004; 2.桂林电子科技大学计算机科学与工程学院,广西桂林 541004)

针对协同过滤算法忽视供应商偏好、存在稀疏矩阵导致准确率低的现象,提出一种改进的协同过滤算法。利用改进的相似度计算方法填充评分矩阵,计算目标用户的评分,将目标用户评分作为G-S算法的输入项,得到消费者、供应商的匹配结果。仿真结果表明,算法具有较高的满意度和准确率。

协同过滤算法;满意值;Pareto最优;信息熵

推荐系统已广泛应用在电子商务系统中,它能为消费者找到较为准确的购买目标,大大提升了供应商的销售额[1]。旅游网站Priceline消费者主动出价的模式考虑到了双方的利益。

协同过滤算法是应用最为广泛的推荐算法。为了解决该算法中出现的稀疏矩阵,有学者提出利用评分均值填充的算法,还有学者提出一种基于项目评分的填充算法[2]。

随着消费者、供应商的快速增加,而用户-项目评分矩阵的数据严重稀疏,传统的填充方法计算得到的预测评分不准确,出现推荐准确率低的问题[3],同时传统推荐算法还存在忽视供应商需求的问题。鉴于传统的填充方法得到的预测评分不够准确,提出一种综合填充算法,该算法考虑了共同评分数量、评分背景两者对相似度的影响。为解决忽视供应商利益的问题,引入Pareto最优的概念,在电子商务平台上, Pareto最优状态要求同时考虑消费者和供应商的满意值。……