苏林宇，陈学斌



基于用户的协同过滤算法的改进研究

苏林宇1,2，陈学斌1,2

(1. 华北理工大学理学院，河北唐山 06300；2. 河北省数据科学与应用重点实验室，河北唐山 06300)

本文针对传统的基于用户协同过滤算法的稀疏性大，推荐效率，精度低等问题，提出了一种改进的算法。在计算“用户-评分”矩阵时，通过建立“项目-用户”倒查表，忽略无相同评分项的用户间相似性的计算，降低了用户评分矩阵的稀疏性，以及传统方法中对所有用户两两计算相似度的工作量。在计算用户相似度时，考虑到项目热门程度对推荐结果的影响，通过“惩罚”用户共同兴趣列表中的热门项目，避免了传统算法中由于赋予所有项目相同权重给个性化推荐结果带来的负面影响。最后，通过和数据集检验该算法，并且用十折交叉方法验证结果。结果表明，改进后的算法节约了运行时间，提高了推荐算法的效率和个性化。

基于用户的协同过滤；个性化推荐；相似度计算；十折交叉验证；项目-用户倒查表

1 引言

个性化推荐是一种通过研究用户的兴趣或购买行为，主动向用户推荐感兴趣的信息或商品的算法。它的提出缓解了日益增长的互联网信息量与用户的个性化需求间的矛盾。协同过滤是目前应用最广泛，也是最成功的个性化推荐算法。它的基本思想是依据用户的兴趣相似性进行建模，根据该模型，把与当前用户相似的其他用户行为推荐给该用户。该技术的优点是不需关注行为的具体表现形式，只需要关注推荐行为本身。……