论文部分内容阅读
随着互联网的发展,网络中的用户和商品都越来越多。传统的推荐算法由于混入了过多干扰和无用信息,在为每个用户进行推荐时得到的准确率并不高。而流行性预测是一种利用商品在过去所产生的信息和属性,来预测其未来流行性的方法。如果将流行性预测与推荐算法相结合,排除或降低无用商品的干扰,则有可能优化推荐算法的推荐效果。本文提出了一种流行性预测的算法,并将其引入推荐算法中,以期达到提高推荐算法准确程度并保持新颖度的目的。首先,本文提出了基于推荐的流行性预测算法。该算法将传统推荐算法的推荐列表当作一个流行性预测趋势,将商品在不同用户推荐列表中的出现次数作为一个预测指标对商品进行流行性预测。而在预测阶段,不仅可以单独将出现次数作为预测分数,还可以利用出现在推荐列表中的排序作为本次出现的权重,通过累加权重得出预测分数。这个方法在之后应用于推荐算法时,得到了良好的成绩。然后,本文提出了基于流行商品骨架的推荐算法。该算法在推荐算法前期,将训练集中的数据根据预测流行度进行数据骨架抽取,然后将只剩下预期流行商品的数据通过推荐算法进行推荐。经过测试,这种算法不仅能够将系统推荐的准确率、召回率和1值分别提高2.2%、6.0%和4.5%,还能将系统的ESIBN提高21.1%。在引入混合后的流行度来进行推荐之后,能将准确率、召回率、1值和ESIBN提高6.4%、10.1%、8.7%和58.7%。最后,本文还提出了一种基于流行度加权的推荐算法。该算法在预估推荐分数生成之后,对每个商品的推荐分数进行流行性加权。通过对其预估推荐分数进行提升或降低,达到在推荐系统中惩罚或奖励该商品的目的。经过实验证明,将预期流行商品进行加权的推荐能够将算法的准确率、召回率和1值,分别提高2.5%、4.3%和3.7%。而将流行商品进行降权后算法能够将系统中用户推荐列表的SIBN提高14.8%。在将上述基于流行商品骨架的推荐算法和将预期流行商品在列表中降权的算法混合在一个框架内后,混合框架算法不仅能够继续保持前文中最优算法的准确指标和ESIBN值,还能将其SIBN提高15.3%。