協(xié)同過(guò)濾算法在電影推薦系統(tǒng)中的應(yīng)用

黃瑩　宋偉偉　鄧春玲等

摘要：在大量電影中如何快速找到自身所喜愛(ài)的影片是一個(gè)很重要的問(wèn)題，特別是在觀眾沒(méi)有明確目標(biāo)時(shí)，推薦系統(tǒng)則可發(fā)揮至關(guān)重要的作用。結(jié)合電影推薦系統(tǒng)的實(shí)際需求，通過(guò)闡述和分析協(xié)同過(guò)濾算法的特點(diǎn)和不足，提出了一種改進(jìn)的協(xié)同過(guò)濾算法用于電影推薦中，改進(jìn)了數(shù)據(jù)稀疏導(dǎo)致推薦系統(tǒng)正確性不高的問(wèn)題，提高了系統(tǒng)的可靠性。

關(guān)鍵詞：協(xié)同過(guò)濾；數(shù)據(jù)稀疏；電影推薦系統(tǒng)

DOIDOI：10.11907/rjdk.151400

中圖分類(lèi)號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2015）008009202

0 引言

協(xié)同過(guò)濾算法是推薦系統(tǒng)的主要算法。本文簡(jiǎn)單介紹了協(xié)同過(guò)濾算法，表明數(shù)據(jù)稀疏是協(xié)同過(guò)濾算法的一個(gè)主要問(wèn)題，解決數(shù)據(jù)稀疏問(wèn)題可以提高協(xié)同過(guò)濾算法的可靠性及準(zhǔn)確度。針對(duì)數(shù)據(jù)稀疏問(wèn)題提出了自己的見(jiàn)解，將前人對(duì)協(xié)同過(guò)濾算法的改進(jìn)用于電影推薦系統(tǒng)中，在一定程度上解決了由數(shù)據(jù)稀疏導(dǎo)致的推薦系統(tǒng)可靠性不高的問(wèn)題。

1 協(xié)同過(guò)濾算法與數(shù)據(jù)稀疏問(wèn)題

協(xié)同過(guò)濾（Collaborative Filtering）主要有3種推薦算法：基于用戶(hù)（uersbased）的推薦算法和基于項(xiàng)目（itembased）的推薦算法[1]。協(xié)同過(guò)濾算法存在的主要問(wèn)題有冷啟動(dòng)問(wèn)題、數(shù)據(jù)稀疏問(wèn)題、實(shí)時(shí)性問(wèn)題、空間擴(kuò)展問(wèn)題。冷啟動(dòng)問(wèn)題是數(shù)據(jù)稀疏問(wèn)題的一個(gè)特例。本文采用基于用戶(hù)的推薦算法。

基于用戶(hù)的推薦算法是通過(guò)分析不同用戶(hù)對(duì)物品的評(píng)分，通過(guò)模型計(jì)算用戶(hù)之間的相似度，然后基于用戶(hù)的相似度進(jìn)行推薦。

首先輸入用戶(hù)資料，建立用戶(hù)資料數(shù)據(jù)庫(kù)。同時(shí)通過(guò)收集用戶(hù)的歷史行為和評(píng)分行為，將這些行為轉(zhuǎn)換為用戶(hù)對(duì)物品的評(píng)分，建立用戶(hù)評(píng)分矩陣。

然后建立最近鄰集，針對(duì)目標(biāo)用戶(hù)和數(shù)據(jù)庫(kù)中的所有用戶(hù)進(jìn)行計(jì)算，找到相似度較高的用戶(hù)建立最近鄰集。計(jì)算用戶(hù)之間相似度的常用方法有Person相關(guān)系數(shù)（見(jiàn)式1）、余弦相關(guān)性系數(shù)（見(jiàn)式2）和修正余弦相關(guān)性系數(shù)[2]（見(jiàn)式3）。

最后得出推薦結(jié)果。根據(jù)建立的最近鄰集，計(jì)算評(píng)測(cè)值（見(jiàn)式4），根據(jù)評(píng)測(cè)值大小進(jìn)行推薦。

根據(jù)上述步驟可以看出，用戶(hù)的評(píng)分決定用戶(hù)相似度。所以，用戶(hù)的評(píng)分?jǐn)?shù)據(jù)稀疏會(huì)導(dǎo)致用戶(hù)相似度誤差很大，推薦系統(tǒng)的可靠性不高。解決數(shù)據(jù)稀疏問(wèn)題是提高推薦系統(tǒng)可靠性的關(guān)鍵。

2 改進(jìn)的協(xié)同過(guò)濾算法

數(shù)據(jù)稀疏是影響協(xié)同過(guò)濾算法的主要問(wèn)題。解決數(shù)據(jù)稀疏問(wèn)題的基本方法有簡(jiǎn)單填充法、基于聚類(lèi)的方法、相似度傳遞法等。對(duì)稀疏矩陣進(jìn)行填充是這些方法的核心思想。本文運(yùn)用一種改進(jìn)的協(xié)同過(guò)濾算法改善數(shù)據(jù)稀疏問(wèn)題。改進(jìn)算法的思想是改進(jìn)填充數(shù)據(jù)稀疏矩陣的數(shù)值，提高協(xié)同過(guò)濾算法的可靠性。首先在最近鄰集中計(jì)算目標(biāo)用戶(hù)與最鄰近之間的相似度，每個(gè)最近鄰用戶(hù)都產(chǎn)生一個(gè)預(yù)測(cè)值[4]，如式（5）所示：

Rai，y=Ra+sim（i，a）（Ri，y-Ri）0 Rai，y≠0Rai，y=0（5）

其中，Rai，y表示目標(biāo)用戶(hù)a的最近鄰i對(duì)項(xiàng)目y的預(yù)測(cè)評(píng)分，Ri，y表示用戶(hù)i對(duì)項(xiàng)目y的實(shí)際評(píng)分，Ra、Ri分別表示用戶(hù)a和用戶(hù)i的評(píng)分均值，sim（i，a）表示用戶(hù)a和用戶(hù)i的相似度。由此得到一個(gè)預(yù)測(cè)評(píng)分矩陣，在此基礎(chǔ)上根據(jù)式（6）得到評(píng)分矩陣。

Pa，y=∑i∈Nsim（i，a）×Rai，y∑i∈Nsim（i，a）（6）

3 實(shí)驗(yàn)結(jié)果

現(xiàn)通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證改進(jìn)策略的有效性。實(shí)驗(yàn)所用數(shù)據(jù)來(lái)自Movielens數(shù)據(jù)集，實(shí)驗(yàn)所得數(shù)據(jù)是改進(jìn)策略的精度值，如圖1所示。圖1表明改進(jìn)的協(xié)同過(guò)濾算法的精度值在0.8～1之間，比較穩(wěn)定，誤差不大。精度值的數(shù)值較高，說(shuō)明該算法具有有效性。因此，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的協(xié)同過(guò)濾算法誤差小、穩(wěn)定性高，且具有有效性。

圖1 改進(jìn)的協(xié)同過(guò)濾算法的精度值

4 電影推薦系統(tǒng)模型

通過(guò)對(duì)現(xiàn)有電影推薦系統(tǒng)的觀察和研究，結(jié)合上述改進(jìn)算法，本文設(shè)計(jì)提出基于協(xié)同過(guò)濾的電影推薦系統(tǒng)模型，如圖2所示。

5 結(jié)語(yǔ)

本文簡(jiǎn)單介紹了協(xié)同過(guò)濾算法，通過(guò)分析協(xié)同過(guò)濾算法及其存在的數(shù)據(jù)稀疏問(wèn)題，設(shè)計(jì)提出了電影推薦系統(tǒng)模型，并在電影推薦系統(tǒng)中運(yùn)用了一種改進(jìn)策略，改善了數(shù)據(jù)稀疏性問(wèn)題，提高了電影推薦系統(tǒng)的可靠性及準(zhǔn)確度。但是改進(jìn)算法的精度還存在一定誤差，有待進(jìn)一步提高。

參考文獻(xiàn)：

[1] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009，20（2）：350362.

[2] 王洋，駱力明.一種解決協(xié)同過(guò)濾數(shù)據(jù)稀疏性問(wèn)題的方法[J].首都師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，33（4）：15.

[3] 查大元.個(gè)性化推薦系統(tǒng)的研究和實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28（l）：4749.

[4] 馮克鵬.基于協(xié)同過(guò)濾的數(shù)字圖書(shū)館推薦系統(tǒng)研究[J].軟件導(dǎo)刊，2010，9（5）：1618.

[5] 吳顏，沈潔，顧天竺，等.協(xié)同過(guò)濾推薦系統(tǒng)中數(shù)據(jù)稀疏問(wèn)題的解決[J].計(jì)算機(jī)應(yīng)用研究，2007，24（6）：9497.

[6] 王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：6676.

[7] 鄧愛(ài)林，朱揚(yáng)勇，施伯樂(lè).基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾算法推薦算法[J].軟件學(xué)報(bào)，2003，14（9）：16121628.

[8] CHRISTAKOU C，VRETTOS S，STAFYLOPATIS A.A hybrid movie recommender system based on neural networks[J].International Journal on Artificial Intelligence Tools，2007，16（5）：771792.

[9] 孫小華.協(xié)同過(guò)濾系統(tǒng)的稀疏性與冷啟動(dòng)問(wèn)題研究[D].杭州：浙江大學(xué)， 2005.

[10] SARWAR B，KARYPISG， KONSTAN J，et al. Itembased collaborative filtering recommendation algorithms[C].proc. of the 10th International World Wide Web Conference，2001：285295.

[11] 錢(qián)程，陽(yáng)小蘭.一種電影個(gè)性化推薦系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)與數(shù)字工程，2011（8）： 7376.

[12] 黃河銓?zhuān)跞涸?以社會(huì)網(wǎng)絡(luò)與電影本體為架構(gòu)之電影推薦系統(tǒng)[Z].2010.

[13] 蔣紫艷.基于 B/S 架構(gòu)的零售業(yè)個(gè)性化推薦系統(tǒng)分析[J].現(xiàn)代商業(yè)，2008（36）：180181.

[14] 曾春，邢春曉，周立柱.個(gè)性化推薦技術(shù)綜述[J].軟件學(xué)報(bào)，2002，13（10）：19521961.

（責(zé)任編輯：黃 ?。?