文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 个性化推荐系统中协同过滤算法
侵权投诉

个性化推荐系统中协同过滤算法

现有大部分协同过滤算法的计算量随着用户和项目的增加而大大增加,对于上百万之巨的数目,通常的算法将遭遇到严重的扩展性问题。从协同过滤推荐过程来看,用户相似性度量及最近邻搜寻是最耗时的算法环节。同时,从电子商务个性化推荐系统[22]来看,全部推荐计算都在服务器端完成,使得服务器面临庞大的计算量。因此,如何有效提高协同过滤可扩展性是必须予以研究和解决的重要问题。所以,算法的扩展性问题是制约个性化推荐系统发展的一个重要因素。

提高协同过滤可扩展性的最简单方法是使用功能更强大的站点服务器和增加服务器数量。但是这一方面需要网站投入更多成本,但并不能降低每个推荐的响应时间,而响应时间对于推荐扩展性非常重要[23]。自从美国施乐公司PARC研究中心提出协同过滤以来,国内外众多学者在如何更好地解决可扩展性这一问题上不断地研究和探索,取得了

不少研究成果,主要分为聚类[24]、概率方法[25]、数据集缩减[26]

等协同过滤可扩展性改善算法。

4.协同过滤评价指标

衡量一个推荐算法的质量需要一个评测方法对推荐结果进行评价,如何对推荐结果的准确性和评测指标进行判定,如何把推荐结果展示给用户以及如何获取用户对推荐结果的评价都是需要深入研究的问题。

推荐质量的评价标准主要有推荐的效果/精确度和推荐的效率。由于不同的研究工作针对不同的问题,使用不同的数据集,所以目前还没有统一的评价标准。比较普遍的评测方法来自于机器学习等领域的一般方法,比如数据集被分割为训练集(probestet)和测试集(quizset)。推荐算法的模型在训练集上进行学习和参数调整,然后在测试集上计算精确度和运行效率,从而达到评测目的。

对于协同过滤算法的输出结果有两种,一种是预测用户偏好程度的协同过滤算法,另一种是输出TOP-N推荐列表的协同过滤。对于第一种算法来说,算法比较训练集和测试集的度量有很多,度量的选取有时候也取决于实验所需的数据,比如对于Netfilx这类数据,需要预测用户对电影的兴趣值,通常在这类数据中平均绝对偏差(MAE)最为常用。假设{p1,p2,…,pM}是通过计算预测的用户对项目或商品的偏好值集合,{q1,q2,…,qM}为:MAE=∑是用户对项目或商品实际的偏好值,则MAE的公式定义

M

i=1|pi-qi|M。但是还有一些其他的度量,

例如均方根误差(rootmeansquarederror,RMSE)和相关度(correlation)等。对于第二种推荐TOP-N列表的协同过滤算法来说比较常用的是信息检索领域中常用来评估系统效果的两个标准:召回率(Recall)和精确率(Preci-sion)。信息检索的召回率为实际检索出的相关信息文档数与信息库中总的相关信息文档数之比,反映了待推荐项目被推荐的比率;而精确率为检索结果中相关信息文档数与查询结果总数之比,表示算法推荐成功的比率。在将数据分为训练集和测试集两部分后,训练集用来生成用户-项目评分矩阵并得到Top-N推荐集,将既在Top-N推荐集又在测试集中的项目的比例作为召回率的标准,这两种度量定义为:召回率(Recall)=命中的数目/测试集的大小;精确率(Precision)=命中的数目/Top-N的数目。

5.总结

本文介绍了协同过滤推荐算法的主要思想及算法面临的主要问题,对推荐算法的评价方法进行了详细的介绍。协同过滤作为一种比较成功的推荐技术,虽然在理论和应用上都取得了不少的成果,但是随着用户要求的不断提高以及外界环境的不断变化,对协同过滤提出了更高的挑战,目前有许多问题亟待解决。研究者提出了多种方法来解决协同过滤推荐算法面临的数据稀疏性和推荐可扩展性问题,一个明显的趋势就是其他领域的一些技术正被应用到推荐系统中来。将领域外的一些技术与推荐算法结合起来解决面临的问题将是一个有意义的研究方向。另外,随着各种推荐算法的提出,对算法的评价标准的研究也显得越来越重要。

参考文献[1]游文,叶水生.电子商务推荐系统中的协同过滤推荐.计算机技术与发展,2006,16(9):70~72.

[2]王志梅,杨帆.基于Hebbian一致性学习的P2P推荐算法.计算机研究与应用,2006,42(36):110~113.

[3]王卫平,刘颖.基于客户行为序列的推荐算法.计算机系统应用,2006,15(9):35~38.

[4]GaoJing,YingJi-kang.Arecommendationsystembasedonartifi-cialimmunesystem.ComputerTechnologyandDevelopment,2007,17(5):180~183.

[5]XuYi-feng,XuQing-yun,LiuXiao-ping.Arecommender

arithmeticbasedontheorderoftime.ComputerSystems&Applications,2006,15(10):22~25,29.

[6]KimBM,LiQ,ParkCS,etal.Anewapproachforcombiningcontent-basedandcollaborativefilters.JournalofIntelligentInformationSystem,2006,27(1):79~91.

[7]KarypisG.Evaluationofitem-basedtop-nrecommendationalgo-rithms.In:Proc.oftheTenthInternationalConferenceonInformationandKnowledgeManagement,2001,247~254.

[8]GoldbergD,NicholsD,OkiBM,etal.UsingCollaborativeFil-teringtoWeaveanInformationTapestry.CommunicationsoftheACM,1992,35(12):61~70.

[9]ResnickP,IacovouN,SuchakM,etal.GroupLens:anopenar-chitectureforcollaborativefilteringofnetnews.In:ProceedingsofCSCW’94,1994,175~186.

[10]WuYan,ShenJie,GuTian-zhu,etal.Algorithmforsparseproblemincollaborativefiltering.ApplicationResearchofComputers,2007,24(6):94~97.

[11]YChuan,XJie-ping.Recommendationalgorithmcombiningtheuser-basedclassifiedregressionandtheitem-basedfiltering.In:Pro-cessingoftheInternationalConferenceonElectronicCommerce,Pro-ceedingsthenewE-commerce:InnovationsforConqueringCurrentBar-riers,ObstaclesandLimitationstoConductingSuccessfulBusinessontheInternet,2006,574~578.

[12]BreeseJ,HechermanD,KadieC.Empiricalanalysisofpredictivealgorithmsforcollaborativefiltering.In:Proceedingsofthe14thConfer-enceonUncertaintyinArtificialIntelligence(UAI’98),1998,43~52.

[13]ArwarB,KaryplsG,KonstanJ,etal.Item-basedcollaborativefil-teringrecommendationalgorithms.In:Proceedingsofthe10thInternation-alWorldWideWebConference,2001,285~295.[14]KimBM,LiQ,ParkCS,etal.Anewapproachforcombiningcontent-basedandcollaborativefilters.JournalofIntelligentInformationSystem,2006,27(1):79~91.

[15]KarypisG.Evaluationofitem-basedtop-nrecommendational-gorithms.In:Proc.oftheTenthInternationalConferenceonInformationandKnowledgeManagement,2001,247~254.

[16]DengAi-lin,ZhuYang-yong,ShiBai-le.Acollaborativefilter-ingrecommendationalgorithmbasedonitemratingprediction.JournalofSoftware,2003,14(9):1621~1628.

[17]BSarwar,GKarypis,JKonstan,etal.Analysisofrecommenda-tionalgorithmsforE-commerce.In:Proceedingsofthe2ndACMConfer-enceonElectronicCommerce.NewYork:ACMPress,2000.158~167.[18]JHerlocker,JAKonstan,JRiedl.Anempiricalanalysisofdesignchoicesinneighborhood-basedcollaborativefilteringalgorithms.Informa-tionRetrieval,2002,5(4):287~310.

[19]PResnick,NIacovou,MSuchak,etal.Grouplens:anopenar-chitectureforcollaborativefilteringofnetnews.In:Proceedingsofthe1994ACMonComputerSupportedCooperativeWork.NewYork:ACMPress,1994.175~186.

[20]郭艳红,邓贵仕.协同过滤系统项目冷启动的混合推荐算法.计算机工程,2008,12:11~13.

[21]P.Victor,A.M.Teredesai,M.De.Cock.WhomshouldITrust?TheImpactofKeyFiguresonColdStartRecommendations.In:ProcofSAC’08,2008:2014~2018.

[22]BMSarwar,GKarypis,JAKonstan,etal.Applicationofdimen-sionalityreductioninrecommendersystem-acasestudy[R].UniversityofMinnesota,TechRep:TR00-043,2000.

[23]MDeshpande,GKarypis.Item-basedtop-nrecommendationalgorithms.ACMTransactionsonInformationSystems,2004,22(1):143~177.

[24]LHUngar,DPFoster.Clusteringmethodsforcollaborativefil-tering.In:ProceedingsoftheWorkshoponRecommendationSystemsatthe15thNationalConferenceonArtificialIntelligence.MenloPark,CA:AAAIPress,2004:112~125.

[25]张亮,李敏强.面向协同过滤的真实偏好高斯混合模型.系统工程学报,2007,22(6):613~619.

[26]JAKonstan,BNMiller,DMaltz,etal.GroupLens:applyingcollaborativefilteringtoUsenetnews.CommunicationsoftheACM,2007,40(3):77~87.

—467—

上一页第2页

你可能喜欢

热门文档

相关文档

  • 电子商务个性化推荐系统中协同过滤算法的研究

    电子商务个性化推荐系统中协同过滤算法的研究_教育学/心理学_人文社科_专业资料。本文介绍了个性化推荐系统的各种推荐算法,主要对电子商务推荐系统中的协同过滤方法 ...

  • 协同过滤的一种个性化推荐算法研究

    1 . Jan. 2008 协同过滤的一种个性化推荐算法研究郭艳红 , 邓贵仕 (大连理工大学 系统工程研究所 , 辽宁 大连 116023 ) 摘 : 在分析传统推荐算法不足的基础...

  • 面向个性化推荐系统的二分网络协同过滤算法研究

    网络中心,山东 滨州 256603;2 .江苏大学 管理学院,江苏 镇江 212013)摘要:为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。...

  • 【论文】基于协同过滤的网络论坛个性化推荐算法

    基于协同过滤的网络论坛个性化推荐算法_专业资料。提出一种基于协同过滤的网络论坛个性化推荐算法,根据用户的发帖、回帖、阅读等记录,采用加权方法计算用户帖子的评分...

  • 基于协同过滤的个性化推荐算法研究与实践

    该系统实现基于用 户的协同过滤算法和基于项目评分预测的协同过滤算法,并且能够为用户展示个性化推荐的结果。 关键字:协同过滤 算法 个性化推荐 中图分类号:TP18 ...

  • 【论文】基于协同过滤和网络结构的个性化推荐算法

    综合了经典的协同过滤算法和基于网络结构的个性化推荐算法。项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构...

  • 电子商务系统协同过滤推荐算法研究_

    电子商务系统协同过滤推荐算法研究 第二章 电子商务推荐系统及推荐算法研究综述 ...果作为输出或者以一种个性化的方式引导用户在大容量的可选项目中找到自己感兴趣或...

  • 基于协同过滤技术的个性化推荐系统研究

    介绍了个性化推荐系统的概念以及推荐系统常用的算法:重点阐述了协同过滤技术的流程:利用用户项目矩阵计算用户之间的相似性,结合最近邻信息预测出符合个人特性的推荐信息;...

  • 协同过滤推荐算法综述

    文献(10条) 1.学位论文 徐翔 协同过滤推荐算法的若干问题研究 2009 推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤,应用知识发现技术来生成个性化推荐。...

  • 基于协同过滤算法的推荐系统

    推荐系统中协同过滤算法... 77页 免费 协同过滤系统项目冷启动... 3页 免费 电子商务个性化推荐系统... 57页 免费 电子商务系统协同过滤推... 11页 1下载...

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email