一种基于自适应局部融合参数的协同过滤方法

doi:10.3969/j.issn.1000-3428.2014.01.008

计算机工程

一种基于自适应局部融合参数的协同过滤方法

程小林^1,2，熊焰¹，刘青文¹，陆琦玮¹

(1. 中国科学技术大学计算机科学与技术学院，合肥 230027；2. 中国卫星海上测控部，江苏江阴 214431)

收稿日期:2012-12-24 出版日期:2014-01-15 发布日期:2014-01-13
作者简介:程小林(1988－)，男，硕士研究生，主研方向：机器学习，推荐系统；熊焰，教授、博士生导师；刘青文、陆琦玮，博士
基金资助:
国家自然科学基金资助项目(61232018, 61170233, 61272472, 61272317, 61202404)；博士后基金资助项目(2011M501060)

A Collaborative Filtering Method Based on Adaptive Local Fusion-parameter

CHENG Xiao-lin ^1,2, XIONG Yan ¹, LIU Qing-wen ¹, LU Qi-wei ¹

(1. School of Computer Science and Technology, University of Science and Technology of China, Hefei 230027, China; 2. China Satellite Maritime Tracking and Control Department, Jiangyin 214431, China)

Received:2012-12-24 Online:2014-01-15 Published:2014-01-13

摘要/Abstract

摘要： 基于内存的协同过滤推荐系统存在数据稀疏和数据集异构的问题。为此，提出一种基于变权重相似度计算和自适应局部融合参数的协同过滤方法。通过统计数据集，提取用户-项目评分项的用户情感信息量计算用户相似度，同时根据用户-项目评分项的评分质量改进项目相似度计算方法，利用基于相似用户(或项目)的方法预测置信度，得到自适应局部融合参数，以增强协同过滤方法对数据集的适应能力。实验结果表明，相比传统全局融合参数方法，该方法在数据稀疏情况下的平均绝对误差降低了0.02，具有较高的推荐精度和推荐覆盖度，并且有效解决了数据稀疏和数据集异构问题。

Abstract: Aiming at the problem of data sparsity and dataset heterogeneity in memory-based collaborative filtering recommendation system, this paper proposes a collaborative filtering method based on variable weight similarity computation and Adaptive Local Fusion- parameter(ALFP). The method extracts user emotion information of user-item rating by counting data set to compute user similarity, meanwhile, according to user-item rating quality to improve item similarity computation method. The method then gets ALFP to enhance collaborative filtering’s adaptability to dataset by forecast confidence of user-based method and item-based method. Experimental results show that the method outperforms traditional Global Fusion-parameter(GFP) method by 0.02 with Mean Absolute Error(MAE) in case of data sparsity, it has higher recommendation precision and recommendation coverage, and effectively solves the problem of data sparseness and heterogeneous data sets.

Key words: recommendation system, collaborative filtering, data sparsity, memory-based method, similarity computation, Global Fusion-parameter(GFP), Adaptive Local Fusion-parameter(ALFP)

中图分类号:

TP391

程小林，熊焰，刘青文，陆琦玮. 一种基于自适应局部融合参数的协同过滤方法[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2014.01.008.

CHENG Xiao-lin, XIONG Yan, LIU Qing-wen, LU Qi-wei. A Collaborative Filtering Method Based on Adaptive Local Fusion-parameter[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2014.01.008.

https://www.ecice06.com/CN/Y2014/V40/I1/39

参考文献

参考文献 [1] Breese J, Heckerman D, Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering[C]//Proc. of the 14th Conference on Uncertainty in Artificial Intelligence. Madison, USA: Morgan Kaufmann Publisher, 1998. [2] 范波, 程久军. 用户间多相似度协同过滤推荐算法[J]. 计算机科学, 2012, 39(1): 23-26. [3] Deshpande M, Karypis G. Item-based Top-N Recommendation Algorithms[J]. ACM Transactions on Information Systems, 2004, 22(1): 143-177. [4] 许海玲, 吴潇, 李晓东, 等. 互联网推荐系统比较研究[J].软件学报, 2009, 20(2): 350-362. [5] Linden G, Smith B, York J. Amazon.com Recommendations: Item-to-item Collaborative Filtering[J]. IEEE Internet Computing, 2003, 7(1): 76-80. [6] 吴湖, 王永吉, 王哲, 等. 两阶段联合聚类协同过滤算法[J]. 软件学报, 2010, 21(5): 1042-1054. [7] 李大学, 谢名亮, 赵学斌. 基于朴素贝叶斯方法的协同过滤推荐算法[J]. 计算机应用, 2010, 30(6): 1523-1526. [8] Jin Rong, Si Luo, Zhai Chengxiang. A Study of Mixture Models for Collaborative Filtering[J]. Information Retrieval, 2006, 9(3): 357-382. [9] Jin Rong, Chai J Y, Si Luo. An Automatic Weighting Scheme for Collaborative Filtering[C]//Proc. of SIGIR’04. New York, USA: ACM Press, 2004. [10] Xue Guirong, Lin Chenxi, Yang Qiang, et al. Scalable Collaborative Filtering Using Cluster-based Smoothing[C]// Proc. of SIGIR’05. Salvador, Brazil: ACM Press, 2005. [11] Wang Jun, de Vries A P, Reinders M J T. Unifying User-based and Item-based Collaborative Filtering Approaches by Similarity Fusion[C]//Proc. of SIGIR’06. Seattle, USA: ACM Press, 2006. [12] Ma Hao, King I, Lyu M R. Effective Missing Data Prediction for Collaborative Filtering[C]//Proc. of SIGIR’07. Amsterdam, Holland: ACM Press, 2007. [13] Xie Feng, Xu Ming, Chen Zhen. RBRA: A Simple and Efficient Rating-based Recommender Algorithm to Cope with Sparsity in Recommender Systems[C]//Proc. of WAINA’12. Fukuoka, Japan: IEEE Computer Society, 2012. 编辑陆燕菲

[1]	张斯力, 李梓健, 蔡瑞初, 郝志峰, 闫玉光. 基于因果机制约束的强化推荐系统[J]. 计算机工程, 2024, 50(5): 279-290.
[2]	邓远飞, 李加伟, 蒋运承. 基于知识注入提示学习的专利短语相似度计算[J]. 计算机工程, 2024, 50(4): 294-302.
[3]	吴志强, 解庆, 李琳, 刘永坚. 基于多模态融合的图神经网络推荐算法[J]. 计算机工程, 2024, 50(1): 91-100.
[4]	唐彦, 卢镘旭. 基于知识图谱与深度涟漪网络的推荐系统[J]. 计算机工程, 2023, 49(5): 63-72,80.
[5]	李盼, 解庆, 李琳, 刘永坚. 知识增强的图神经网络序列推荐模型[J]. 计算机工程, 2023, 49(2): 70-80.
[6]	李婉桦, 孙英娟, 刘艺璇, 刘乾. 基于全局图和多粒度意图单元的会话推荐[J]. 计算机工程, 2023, 49(10): 136-144, 153.
[7]	苗雨欣, 宋春花, 牛保宁, 康瑞雪. 双通道图协同过滤推荐算法[J]. 计算机工程, 2022, 48(8): 121-128.
[8]	沈学利, 马玉营, 梁振兴. 融合复杂先验与注意力机制的变分自动编码器[J]. 计算机工程, 2022, 48(11): 55-61.
[9]	宋玉龙, 马文明, 刘彤彤. 融合用户信任度的概率矩阵分解群组推荐算法[J]. 计算机工程, 2022, 48(1): 105-111.
[10]	汤佳欣, 陈阳, 周孟莹, 王新. 深度学习方法在兴趣点推荐中的应用研究综述[J]. 计算机工程, 2022, 48(1): 12-23,42.
[11]	刘峰, 王宝亮, 潘文采. 基于网络表示学习与深度学习的推荐算法研究[J]. 计算机工程, 2021, 47(8): 54-61.
[12]	刘华玲, 马俊, 张国祥. 基于深度学习的内容推荐算法研究综述[J]. 计算机工程, 2021, 47(7): 1-12.
[13]	贾俊杰, 张玉超. 基于用户模糊聚类的综合信任推荐算法[J]. 计算机工程, 2021, 47(6): 60-67.
[14]	张浩博, 薛峰, 刘凯. 基于半自动编码器的协同过滤推荐算法[J]. 计算机工程, 2021, 47(3): 125-130.
[15]	周运腾, 张雪英, 李凤莲, 刘书昌, 焦江丽, 田豆. Q-learning算法优化的SVDPP推荐算法[J]. 计算机工程, 2021, 47(2): 46-51.

选择文件类型/文献管理软件名称

选择包含的内容

一种基于自适应局部融合参数的协同过滤方法

A Collaborative Filtering Method Based on Adaptive Local Fusion-parameter

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

一种基于自适应局部融合参数的协同过滤方法

A Collaborative Filtering Method Based on Adaptive Local Fusion-parameter

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价