一类BP神经网络优化评分预测的协同过滤推荐算法

王右雪，苏清华，胡中波

(长江大学信息与数学学院，湖北 荆州 434023)

更快更精准的推荐结果一直是国内外专家在推荐算法领域所追求的目标。当前被广泛关注的推荐算法之一是协同过滤推荐算法[1]。协同过滤推荐诞生于20世纪90年代，它在解决无特定目标的信息检索问题上有着显著的优越性[2]。常用的协同过滤算法依次经过数据表示、查找最近邻集合和项目评分推荐等3个阶段来完成推荐[3]。在数据表示阶段，根据用户对项目的评分数据构建用户对项目的评分矩阵，对于矩阵有降维[4]、填充[5]、变形为图的结构[6]等代表性方法；在查找最近邻阶段，以用户间相似性作为标准寻找到目标用户的相似近邻集合，寻找方法除皮尔逊相关系数法、余弦相似度[7]等原始方法外还有与智能算法、用户信息相结合的改进算法[8，9]；在项目评分预测阶段，要做到先对用户的未评分进行评分，然后根据评分产生推荐结果。

由于评分预测方法直接关系到最后推荐结果的优劣，所以评分预测受到多位学者的重视。自1994年Resnick提出基于平均分的预测公式后，Resnick公式成为了推荐系统领域最常见的评分公式[10，11]，但在其之后也有诸多学者对评分公式加以改进。Srisuwan P提出了一种基于贝叶斯的评分公式[12]；罗亚引入了浏览时长的标签，以便做出更好的决策[13]；雷鸣和朱明引入情感的惩罚度概念[14]，以达到改善推荐效果的目的。

以上基于Resnick公式的改进方法均有效地提升了评分预测的效果，但若能在此阶段挖掘出用户更精准的个性化差异信息，或许能获得更精准的推荐结果。……