基于Boosting框架的推荐系统架构与优化

刘彦伯 温雪岩 徐克生 于鸣

摘  要： 现如今推荐算法已得到广泛应用，但大多数推荐算法均存在各自的局限性。针对这一问题，提出一种基于Boosting框架的推荐系统架构，以多种基本推荐算法为基础，集成一个强推荐系统。将基于Boosting的推荐系统，在MovieLens 100K中进行测试。测试与分析结果表明，该系统测试结果显示Precision达到39.44%，比原来提高8.63%。因此，集成的推荐系统能够有效提升推荐效果，为用户提供良好的用户体验。

关键词： 推荐系统; 系统架构; 系统优化; Boosting框架; 系统集成; 系统测试

中图分类号： TN911?34; TP391                   文献标识码： A                      文章编号： 1004?373X（2020）08?0019?03

Architecture and optimization of recommendation system based on Boosting framework

LIU Yanbo1， WEN Xueyan1， XU Kesheng2， YU Ming1

（1. School of Information and Computer Engineering， Northeast Forestry University， Harbin 150040， China;

2. Harbin Institute of Forestry Machinery， State Forestry Administration， Harbin 150086， China）

Abstract： Nowadays， the recommendation algorithms have been widely used in various fields， but most of them have their own limitations. A recommendation system architecture based on Boosting framework is proposed to solve this problem， by which a strong recommendation system is integrated on the basis of a variety of basic recommendation algorithms. The Boosting?based recommendation system is tested in MovieLens 100K. The testing and analysis results show that the precision of the system reaches 39.44%， which is 8.63% higher than that of the original system. Therefore， the integrated recommendation system can effectively improve the recommendation effect and provide users with a good experience.

Keywords： recommendation system; system architecture; system optimization; Boosting framework; system integration; system testing

0  引  言

随着网络的发展与信息时代的来临，网络上各类的信息数据逐渐扩大。面对大幅增长的信息，用户通常不清楚自身所需的信息是否存在或如何获取信息。且用户难以从中选出实际有用的信息，从而出现信息超载问题[1]。为此，各学者提出了推荐系统，其可根据用户的信息，如以往的消费记录、爱好等，将用户感兴趣的商品或新闻推荐给用户[2?3]。

推荐系统现已广泛应用于较多领域[4]，但各种推荐系统均存在不同的问题。例如，基于ItemCF[5]的推荐系统，只分析了该用户以往感兴趣或相似的商品，而并不能显式地得到其他用户的判断情况;而基于UserCF[6]的推荐系统，则依赖于和该用户兴趣相似的其他用户喜好[7]。为更加全面地分析用户的喜好，并进一步提升用户满意度与推荐效果。本文引入Boosting算法的思想，其主要是将多个分类器组合在一起，构成一个分类效果更强的分类器[8]。……