柯翔敏,陈 江,罗光华

(华侨大学 网络与教育技术中心,福建 厦门 361021)

0 概述

目前,随着物质生活的不断丰富和科学技术的快速发展,人们的生活方式越来越多样化。推荐算法的发展与运用使得用户能够快速发现自己感兴趣的商品,从而在客观上促进社会经济的发展。

推荐算法可以分为基于内容的推荐[1]、基于协同过滤的推荐[2]以及混合推荐[3]三大类。其中,基于协同过滤的推荐算法应用最为广泛,其又可分为基于用户的系统过滤推荐、基于商品的协同过滤推荐[4]和基于模型的协同过滤推荐[5]。协同过滤推荐算法的思想是基于用户-物品矩阵,如果为目标用户进行推荐,选择与目标用户打分行为相似的Top-K个用户打分过的物品,以及与目标用户打分过的物品相似的Top-K个物品作为推荐候选。协同过滤推荐算法性能最重要的影响因素是相似度的计算方式。

在传统的协同过滤推荐算法中,有余弦相似度、修正余弦相似度等常用的相似度计算方法。但是,由于用户-物品矩阵存在数据稀疏性等问题[6-8],导致上述相似度计算方法存在相似度失真、相似度虚高、相似度难以区分等问题[9],进而造成推荐结果不准确的现象,影响了用户体验。

对于传统协同过滤推荐算法相关度计算问题,一些学者提出了改进方式。文献[10]考虑到传统的相似度计算方法存在的数据稀疏问题,结合一些基础相似度计算方法的优势,将余弦相似度、杰卡德系数等相似度计算结果相结合并进行线性组合从而提高预测精度。……