陈南平

(湖北大学 计算机与信息工程学院，湖北 武汉 430062)

一种改进的个性化协同推荐算法研究

陈南平

(湖北大学 计算机与信息工程学院，湖北 武汉 430062)

在协同推荐算法实际应用基础上，提出了一种改进措施，将多层次相似性度量应用到推荐系统kNN算法中，即借助层次关系矩阵，将内容之间的一些固有属性信息融合到相似度计算中。该改进措施在实际推荐系统应用中取得了较好的效果。

协同推荐；相似度；多层次度量；冷启动

0 引言

推荐算法是目前个性化推荐系统的研究热点，在电子商务领域有着广泛应用，其核心思想是利用数据挖掘与人工智能技术来改进传统的协同过滤算法[1-2]。系统算法通常是某类推荐模型的实现，它负责获取数据，以及预测给定的用户组会对哪些选项感兴趣。推荐算法通常分为4大类：协同过滤推荐算法、基于内容的推荐算法、混合推荐算法和流行度推荐算法。

基于协同过滤推荐的系统从用户角度进行相应推荐，由系统自动完成。它一般采用最近邻技术(KNN)，利用用户的历史喜好信息计算用户间的距离，然后根据目标用户的最近邻居对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，从而根据这一喜好程度对目标用户进行推荐。即用户获得的推荐是系统从购买模式或浏览行为等隐式获得，不需要用户寻找推荐信息。Zhang等[3]提出了推荐系统中应用的SVM分类器，其缺陷是在数据稀疏时分类精度受到很大影响。……