段廷银, 赵东明

(郑州大学 信息工程学院， 河南 郑州 450001)

基于流形近邻的协同过滤算法*

段廷银, 赵东明

(郑州大学 信息工程学院， 河南 郑州 450001)

协同过滤技术基于用户的评分历史预测用户对某一项目的评分。基于用户的协同过滤技术可以利用传统的欧氏距离发现与用户的兴趣相近的近邻。针对欧氏距离并不能很好地反应用户之间的近邻关系的问题，一种新颖的基于欧氏距离的最小最大距离的方法被提出，用来发现用户近邻，称之为流形近邻。实验结果表明，基于流形近邻的协同过滤框架(Collaborative Filtering based on Manifold Neighbors, MNCF)与目前的协同过滤算法相比，性能有一定的提高。

流形近邻；距离空间；协同过滤；视觉距离；最小最大距离；推荐系统

0 引言

协同过滤是Web 3.0时代一个新颖的技术，被广泛应用于各类电子商务网站。通常协同过滤算法分为两大类：基于内存的协同过滤算法和基于模型的协同过滤算法[1]。基于内存的算法[2]首先找到k个近邻，然后根据近邻进行推荐。基于模型的算法[3-5]通过学习用户的历史兴趣建立用户的偏好模型。基于内存的算法又可分为基于用户和基于项目的两大类。当前对协同过滤算法的研究主要针对数据稀疏性[6-7]和用户兴趣随时间漂移问题[8-9]等进行。随着云计算的发展，一些基于云计算的分布式协同过滤算法也被提出[10-12]。

在实际应用中，传统的基于用户的协同过滤技术存在两个问题：第一，大量项目评分的缺失；第二，利用欧氏距离可发现与用户的兴趣相近的近邻，但是欧氏距离并不能很好地反应用户之间的近邻关系。……