刘国丽,廉孟杰,于丽梅,徐洪楠

(河北工业大学 人工智能与数据科学学院,天津 300401)

传统的协同过滤推荐算法[1]通过分析相似用户的偏好来得到对目标用户的推荐结果,这种方式尽管有效,但还是不够可靠[2].心理学研究表明,在现实生活中,人们倾向于向专家咨询,听取专家的意见.据此,国内外大量学者提出了改进办法.国外学者Kardan 等[3]首次建议利用专家用户进行推荐,但计算专家信任度值的方法不成熟导致专家用户的选取不是很准确.Hwang等[4]充分考虑进用户的行为数据,在基于用户的协同过滤推荐算法中加入了信任因素,降低了推荐误差.国内学者王孝先[5]利用了一小部分专家数据集噪声很低的优势为庞大的用户集合做预测评分,避免了数据稀疏性为推荐质量带来的不利影响,但未考虑日常用户愿意参考有相似兴趣的朋友的意见的心理;贾彭慧等[6]通过计算用户之间的交叉性、信任性、趋同性和专家因子动态地为每个用户挖掘出特定的专家数据集,使专家的选取更具有针对性,但该算法一味地信任专家而忽略了相似用户的意见,且在计算上无法同时为目标用户选取相似用户.

可以看出,尽管上述算法在一定程度上提高了推荐的准确性,但是仍存在需要改进的地方.首先,在为目标用户寻找相似用户时,传统的协同过滤推荐算法在相似度计算上忽略了用户活跃度偏差问题.改进算法考虑到“用户活跃度”和“活跃度……