稀疏数据下基于用户偏好的协同过滤算法

赵文涛，张 烁

(河南理工大学 计算机科学与技术学院，河南 焦作 454150)

0 引 言

协同过滤推荐技术[1]在推荐系统中占据着很重要的地位。协同过滤推荐技术可以通过用户对物品的评分或者别的行为模式为用户提供优质的推荐服务。基于邻域的算法[2]是协同过滤推荐算法中最基本也是最常用的方法之一。其基于用户对项目的评级，把具有相似评级的用户称为最近邻居[3]，如果找到邻近的邻居，则通过邻居预测用户的未评级项目，然后向用户推荐具有高预测评级的项目。

但是，现存的基于协同过滤推荐算法的推荐系统仍然存在诸多问题，譬如冷启动[4]，数据稀疏性以及可扩展性[5-8]等。一般而言，传统相似性算法可以很好地反映2个用户或项目之间的相似程度，但却没有重复考虑用户偏好。同时，当数据稀疏的时候，用户或项目之间可能没有共同评级项目，相似性计算将无法进行[9]，这也被称为共同评定问题。

1 相关工作

当前，研究人员为协同过滤提供了非常丰富的理论依据和技术支持，文献[10]给出了Jaccard和均方差组合的方法(Jaccard mean squared difference，JMSD)，JMSD中Jaccard用于捕获共同评定项目的比例，均方差(mean squared difference，MSD)用于获取评级信息，该方法解决了传统算法过于依赖距离和矢量导致相似性度量不准确的问题，文献[11]提出了另一种相似性方法，结合6种相似性度量来获得全局相似性，每个测量的权重是通过神经网络学习获得的。但是，这些措施在稀疏数据的情况下不起作用。文献[12]通过考虑……