论文部分内容阅读
推荐系统(Recommender Systems)是通过一定的推荐技术向用户推荐其可能感兴趣信息的一种系统,主要应用在电子商务领域。在推荐技术中,协同过滤(CF: Collaborative Filtering)技术正迅速成为一项很受欢迎的技术,是推荐系统中应用最为成功的技术之一。
由于用户-项目评分矩阵稀疏性的影响,在基于K近邻(KNN: K-NearestNeighbor)的协同过滤算法中,根据传统的相似度算法计算出的相似度,可能存在这样一个问题:由于用户之间共同评分的项目数目较少,从而导致计算出的相似度不够科学。比如两个用户共同评分的项目只有一项,相似度计算公式计算出结果是这两个用户之间的相似度非常高,显然这样的计算结果存在很大的偶然性。如果将这些用户作为目标用户的邻近用户,将可能严重影响最终的推荐精度。
为解决上述问题,本文结合实际情况,提出了基于不对称性的协同过滤推荐算法。本文所阐述的不对称性分为用户信任不对称性和项目依赖不对称性。用户信任不对称性分析了用户之间信任程度的不对称性关系。在现实生活中,你对你朋友的信任程度和你朋友对你的信任程度不一定是相同的;同时,你对不同朋友的信任程度也是不相同的。因此,用户之间的信任关系应该是一种非对称的关系。同样,项目之间的依赖关系也是非对称的。定义用户信任度和项目依赖度之前,本文首先定义了用户支持度和项目支持度。
在MovieLens五组数据集上分别进行了实验,通过对实验结果的分析表明,本文提出的用户信任度等概念是合理的。对比实验结果说明基于不对称性的协调过滤推荐方法的推荐结果具有更高的准确率。