基于改进用户相似度的协同过滤算法

潘锦丰，叶东东，谭北海，余荣

（广东工业大学自动化学院，广州510006）

0 引言

现今，信息过载问题使用户无法高效、准确地找到有用的信息[1]。为了解决上述问题，个性化推荐算法受到学术界广泛研究应用[2]。其中，作为个性化推荐算法中较为经典的协同过滤推荐算法[3]，凭借其原理简单和可解释性等优点，广泛应用于社交网络和电子商务等方面。目前，协同过滤推荐算法主要分为基于用户和基于项目两种[4]。本文主要研究的是基于用户的协同过滤推荐算法，本算法主要通过以下四个步骤实现个性化推荐。第一，建立用户-项目评分矩阵；第二，计算用户间的相似度并找到最近邻用户集；第三，根据最近邻集合预测用户没有评分的项目；第四，对评分结果排序将N个评分最高的项目推荐给用户[5]。但是传统的用户相似度计算，如皮尔逊相似度[6]、余弦相似度[7]、杰卡德相似度[8]以及修正余弦相似度[9]等还是无法有效地同时解决用户共同评分项目数、评分数值和项目热门度差异问题，导致评分预测不准确，进而使推荐质量下降[10-11]。

为了解决上述问题，大量学者提出了许多创新和改进，以此对用户进行准确推荐。郑翠翠等人[12]提出融合杰拉德相似度和皮尔逊相似度的乘积作为新的算法，降低了共同评分项目数对计算结果的影响。肖宇航等人[13]在皮尔逊相似度计算的基础上考虑了共同评价的项目数和项目热门度两个因素，来降低平均绝对误差。李德新等人[14]将用户相似度计算细分为共同评分项目数、评分数值、评分倾向和项目热门度四个方面并提出改进方法，提高评分预测准确度。……