张　鹏，葛小青

(1. 中国科学院 遥感与数字地球研究所，北京 100094；2. 中国科学院大学，北京 100049)



融合标签相似度的k近邻Slope One算法

张鹏1，2，葛小青1

(1. 中国科学院 遥感与数字地球研究所，北京 100094；2. 中国科学院大学，北京 100049)

摘要：Slope One协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式，针对Slope One算法推荐精度不足的问题，将标签信息融合到Slope One算法当中。同时参考k近邻算法思想，选取阈值过滤后的k近邻项目参与平均评分偏差计算，提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果，进一步提升推荐质量。将算法应用于MovieLens数据集，与传统加权Slope One算法相比，平均绝对偏差下降4.8%，召回率和准确率分别提高32.1%和26.3%。

关键词：协同过滤；推荐系统；标签相似度；k近邻；Slope One算法

0引言

随着信息资源的超载式增长，用户对个性化服务需求逐步提高，推荐系统在电子商务、社交网络和新闻推荐等领域已成为不可或缺的技术[1]。个性化推荐系统中，协同过滤(collaborative filtering，CF)是应用最成功、最广泛的技术之一[2]，主要包括基于内存(memory-based)的协同过滤推荐和基于模型(model-based)的协同过滤推荐[3]。而基于内存的协同过滤又包括基于用户的协同过滤算法[4]和基于项目的协同过滤算法[5]。为了提高效率及实时性，LEMIRE等[6]提出了基于简单线性回归模型的Slope One算法。因其参数更新查询速度快、维护扩展性好、抗冷启动和数据稀疏能力强等特点，在推荐系统领域得到了广泛应用。……