葉蘭平 劉 鋒 朱二周

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 安徽 合肥 230601)

?

基于徑向基神經(jīng)網(wǎng)絡(luò)的新型協(xié)同過(guò)濾推薦算法

葉蘭平 劉 鋒 朱二周*

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 安徽 合肥 230601)

針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法對(duì)目標(biāo)用戶(hù)的評(píng)分預(yù)測(cè)過(guò)于依賴(lài)鄰近用戶(hù)，而忽略目標(biāo)用戶(hù)自身評(píng)分特性的問(wèn)題，提出一種改進(jìn)的基于徑向基RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。該方法首先使用RBF神經(jīng)網(wǎng)絡(luò)對(duì)鄰近用戶(hù)的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)進(jìn)行模型訓(xùn)練，得到基于該用戶(hù)的網(wǎng)絡(luò)評(píng)分模型；然后結(jié)合目標(biāo)用戶(hù)自身的評(píng)分進(jìn)行計(jì)算，得到一個(gè)基于該模型的評(píng)分；最后結(jié)合所有鄰近用戶(hù)的模型評(píng)分預(yù)測(cè)出目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目的最終評(píng)分。改進(jìn)后的算法既借鑒了用戶(hù)之間的相似性，也考慮了目標(biāo)用戶(hù)自身的評(píng)分特性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的協(xié)同過(guò)濾推薦算法可以獲得比傳統(tǒng)算法更好的推薦效果。

協(xié)同過(guò)濾 評(píng)分偏差 RBF神經(jīng)網(wǎng)絡(luò) 用戶(hù)評(píng)分模型

0 引 言

當(dāng)前，協(xié)同過(guò)濾推薦算法主要研究用戶(hù)群對(duì)產(chǎn)品群的評(píng)分預(yù)測(cè)[1]。通過(guò)計(jì)算分析所有用戶(hù)對(duì)項(xiàng)目的評(píng)分找到與目標(biāo)用戶(hù)相似的鄰近用戶(hù)集合，將該集合中所有鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分與目標(biāo)用戶(hù)之間的相似度相結(jié)合，用于預(yù)測(cè)目標(biāo)用戶(hù)對(duì)該目標(biāo)項(xiàng)目的評(píng)分[2-4]。但是在這種計(jì)算方式中，目標(biāo)用戶(hù)的評(píng)分結(jié)果太過(guò)依賴(lài)鄰近用戶(hù)的評(píng)分，而忽略了其自身的評(píng)分特性。與此同時(shí)，協(xié)同過(guò)濾推薦算法中的用戶(hù)評(píng)分?jǐn)?shù)據(jù)稀疏以及新用戶(hù)加入時(shí)冷啟動(dòng)等問(wèn)題，都會(huì)對(duì)用戶(hù)之間相似度的計(jì)算產(chǎn)生比較大的影響[5]。

當(dāng)評(píng)分?jǐn)?shù)據(jù)比較稀疏或有新用戶(hù)加入時(shí)，計(jì)算所得用戶(hù)之間相似度的可靠性往往比較低，此時(shí)實(shí)質(zhì)上不太相似的兩個(gè)用戶(hù)看起來(lái)會(huì)比較相似。這樣的鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分易產(chǎn)生比目標(biāo)用戶(hù)真實(shí)的評(píng)分過(guò)高或者過(guò)低的偶然性，而這種偶然性會(huì)造成目標(biāo)用戶(hù)的目標(biāo)項(xiàng)目評(píng)分預(yù)測(cè)產(chǎn)生較大誤差。

為了降低這種誤差，需要把目標(biāo)用戶(hù)與鄰近用戶(hù)之間的相似度和目標(biāo)用戶(hù)自身的評(píng)分特性更好地結(jié)合起來(lái)。據(jù)此，本文提出一種基于RBF徑向基神經(jīng)網(wǎng)絡(luò)的對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法進(jìn)行改進(jìn)的方法。首先，使用RBF神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)用戶(hù)的每個(gè)鄰近用戶(hù)的評(píng)分?jǐn)?shù)據(jù)進(jìn)行建模；然后，把目標(biāo)用戶(hù)自身的評(píng)分?jǐn)?shù)據(jù)輸入到建立好的網(wǎng)絡(luò)模型中，經(jīng)過(guò)計(jì)算可以得到一個(gè)基于該網(wǎng)絡(luò)模型的數(shù)據(jù)評(píng)分；最后，結(jié)合所有網(wǎng)絡(luò)模型的數(shù)據(jù)評(píng)分進(jìn)行計(jì)算，就可以得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)表明，改進(jìn)后的算法在評(píng)分?jǐn)?shù)據(jù)比較稀疏和計(jì)算所用的鄰近用戶(hù)數(shù)量大的情況下，可以提高目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目評(píng)分的準(zhǔn)確度。

1 相關(guān)工作

1.1 傳統(tǒng)的協(xié)同過(guò)濾推薦算法描述

協(xié)同過(guò)濾推薦算法的基本假設(shè)是如果兩個(gè)用戶(hù)之間的興趣相類(lèi)似，那么其中一個(gè)用戶(hù)很有可能會(huì)喜歡另外一個(gè)用戶(hù)感興趣的東西[6,7]?；谶@一點(diǎn)找出與目標(biāo)用戶(hù)興趣相近的鄰近用戶(hù)集合，然后借助該集合中鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目的喜好來(lái)預(yù)測(cè)目標(biāo)用戶(hù)對(duì)該項(xiàng)目的喜好程度。

(1) 用戶(hù)—項(xiàng)目評(píng)分的表示

假設(shè)在用戶(hù)評(píng)分?jǐn)?shù)據(jù)庫(kù)中共包括s個(gè)用戶(hù)和t個(gè)項(xiàng)目，用U={u1,u2,…,us}表示這s個(gè)用戶(hù)集合，I={I1,I2,…,It}表示t個(gè)項(xiàng)目集合，則用戶(hù)評(píng)分?jǐn)?shù)據(jù)可用一個(gè)二維矩陣表示，如表1所示。

表1 用戶(hù)—項(xiàng)目評(píng)分表P(s×t)

表1中Pi,j表示的是用戶(hù)ui對(duì)項(xiàng)目Ij的評(píng)分，通過(guò)該評(píng)分可以判斷用戶(hù)ui對(duì)項(xiàng)目Ij的喜好程度。

(2) 用戶(hù)相似性度量的方法

用戶(hù)之間相似度的計(jì)算通常轉(zhuǎn)化為用戶(hù)評(píng)分向量之間相似度的計(jì)算。本文采用向量空間相似性中的余弦相似性度量方法。標(biāo)準(zhǔn)的余弦相似性通過(guò)向量間的余弦?jiàn)A角來(lái)度量[8]：

(1)

其中Pi,k、Pj,k分別表示用戶(hù)ui和uj對(duì)項(xiàng)目Ik的評(píng)分。

為了更精確計(jì)算向量間的相似度，文獻(xiàn)[5]采用了修正余弦相似性度量方法。該方法選取了用戶(hù)ui和uj的評(píng)分交集(Iui∩Iuj)，并定義為I′。此時(shí)，向量間相似度的計(jì)算如下：

(2)

(3) 協(xié)同過(guò)濾推薦結(jié)果的產(chǎn)生

計(jì)算得到用戶(hù)之間相似度之后，找出與目標(biāo)用戶(hù)ui相似度最高的且對(duì)目標(biāo)項(xiàng)目Ik都有過(guò)評(píng)分的N(N≥1)個(gè)鄰近用戶(hù)，定義T(Ui)為這N個(gè)近鄰用戶(hù)的集合，所以有|T(Ui)|=N。通過(guò)式(3)就可以計(jì)算目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分：

(3)

1.2 RBF徑向基神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

RBF徑向基神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性。同時(shí)，RBF神經(jīng)網(wǎng)絡(luò)也是一種局部逼近網(wǎng)絡(luò)，故其具有很高的自學(xué)習(xí)效率[9,10]?，F(xiàn)今，該網(wǎng)絡(luò)主要應(yīng)用于解決函數(shù)曲線逼近和模式分類(lèi)等問(wèn)題。

(4)

其中，bj為一個(gè)正的標(biāo)量，表示高斯基函數(shù)的寬度；m是隱含層節(jié)點(diǎn)數(shù)量。網(wǎng)絡(luò)最后的輸出由如下加權(quán)函數(shù)實(shí)現(xiàn)：

(5)

其中ωj是輸出層的權(quán)值。

圖1 RBF徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

RBF徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比其他網(wǎng)絡(luò)，具有更好的泛化能力，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，可以避免不必要的冗長(zhǎng)計(jì)算。同時(shí)，研究表明，該網(wǎng)絡(luò)能在一個(gè)緊湊集和任意精度下，逼近任何非線性函數(shù)[11]?；谝陨戏治?，本文選擇使用RBF徑向基神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)的協(xié)同過(guò)濾算法進(jìn)行改進(jìn)。

2 基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法

2.1 傳統(tǒng)協(xié)同過(guò)濾推薦算法的缺陷

為了說(shuō)明本文提出的評(píng)分偶然性，建立如表2所示的一個(gè)“用戶(hù)—項(xiàng)目”評(píng)分表。該表中的數(shù)據(jù)取自豆瓣電影中的部分評(píng)分，為空的表項(xiàng)表示用戶(hù)在該項(xiàng)目上沒(méi)有評(píng)分。

表2 用戶(hù)—項(xiàng)目評(píng)分表P(7×12)

這里I1-I11為測(cè)試項(xiàng)目，I12作為目標(biāo)項(xiàng)目，這樣計(jì)算用戶(hù)之間相似度時(shí)只需使用用戶(hù)u1-u7對(duì)項(xiàng)目I1-I11的評(píng)分。

計(jì)算得出用戶(hù)之間的相似度如表3所示。

表3 基于表2的用戶(hù)相似度表

從表3中選出相似度最大的4對(duì)鄰近用戶(hù)組，分別為[u6,u3]、 [ u6,u5]、[u7,u3]和[u7,u5] (按行優(yōu)先)。定義DIx(ui,uj)為用戶(hù)ui與uj在項(xiàng)目Ix上的評(píng)分差的絕對(duì)值，這個(gè)值越大則說(shuō)明用戶(hù)之間評(píng)分的偏差就越大。

從表2中看出，在對(duì)項(xiàng)目I1～I(xiàn)11的評(píng)分上，這4對(duì)鄰近用戶(hù)組的DIx(ui,uj)基本都在[0, 2]之間。但在對(duì)目標(biāo)項(xiàng)目I12的評(píng)分上，DI12(u7,u5)=4和DI12(u6,u5)=3的評(píng)分偏差就比較大了，而同樣是鄰近用戶(hù)組的[u6,u3]和[u7,u3]的評(píng)分偏差就比較正常。對(duì)目標(biāo)項(xiàng)目I12的評(píng)分中所出現(xiàn)的上述情況就是鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分過(guò)高或者過(guò)低的偶然性，而在傳統(tǒng)的協(xié)同過(guò)濾推薦算法中卻忽略了這一點(diǎn)。

2.2 改進(jìn)型協(xié)同過(guò)濾推薦算法提出的依據(jù)

從表2中用戶(hù)u5與u7的評(píng)分來(lái)看，u7的評(píng)分相比u5高一些，故P7,12=5符合其評(píng)分特性；而u5的評(píng)分要低一些，故P5,12=1也同樣符合u5的評(píng)分習(xí)慣。由于DI12(u7,u5)=4，如果P7,12=5借助來(lái)預(yù)測(cè)用戶(hù)u5對(duì)I12的評(píng)分則會(huì)產(chǎn)生較大偏差。同理，鄰近用戶(hù)組[u6,u3]之間也存在這個(gè)問(wèn)題。如果把目標(biāo)用戶(hù)自身的評(píng)分特性和與鄰近用戶(hù)之間的相似性結(jié)合起來(lái)，計(jì)算所得的評(píng)分會(huì)更接近目標(biāo)用戶(hù)自身的真實(shí)評(píng)分，就可以達(dá)到縮小用戶(hù)之間評(píng)分偏差的目的。這種結(jié)合剛好可以使用RBF神經(jīng)網(wǎng)絡(luò)來(lái)完成。

文獻(xiàn)[12]提出“如果兩個(gè)鄰近用戶(hù)的興趣愛(ài)好相似，那么他們對(duì)整體項(xiàng)目的評(píng)分曲線應(yīng)該是互相接近的”。據(jù)此我們分別作出表2中4對(duì)鄰近用戶(hù)組在他們共同評(píng)分項(xiàng)目上的評(píng)分曲線，如圖2-圖5所示。

圖2 用戶(hù)u6、u3評(píng)分曲線圖

圖3 用戶(hù)u6、u5評(píng)分曲線圖

圖4 用戶(hù)u7、u3評(píng)分曲線圖

圖5 用戶(hù)u5、u7評(píng)分曲線圖

從圖2-圖5的4張曲線圖看出，除個(gè)別點(diǎn)外，兩個(gè)相鄰用戶(hù)的評(píng)分曲線在整體上的升降趨勢(shì)是一致的，說(shuō)明兩條曲線之間是相互逼近的。由于RBF神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)具有很好的逼近能力，則可以使用該網(wǎng)絡(luò)對(duì)鄰近用戶(hù)的評(píng)分來(lái)建立基于該用戶(hù)的網(wǎng)絡(luò)評(píng)分模型。把目標(biāo)用戶(hù)的項(xiàng)目評(píng)分輸入到訓(xùn)練好的模型中，經(jīng)過(guò)計(jì)算可以得到一個(gè)參考目標(biāo)用戶(hù)自身評(píng)分?jǐn)?shù)據(jù)的初步評(píng)分結(jié)果。并在最后結(jié)合所有的初步評(píng)分結(jié)果對(duì)目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)。這種改進(jìn)方式的優(yōu)點(diǎn)在于既考慮了用戶(hù)之間的相似性，也考慮了目標(biāo)用戶(hù)自身的評(píng)分特性。

2.3 算法設(shè)計(jì)與實(shí)現(xiàn)

基于RBF徑向基神經(jīng)網(wǎng)絡(luò)改進(jìn)的協(xié)同過(guò)濾推薦算法主要的工作在于如何通過(guò)該網(wǎng)絡(luò)訓(xùn)練得到基于鄰近用戶(hù)評(píng)分?jǐn)?shù)據(jù)的網(wǎng)絡(luò)模型。這里定義目標(biāo)用戶(hù)為ui，目標(biāo)項(xiàng)目為Ik，目標(biāo)用戶(hù)的鄰近用戶(hù)集合為T(mén)(ui)，Px,k表示用戶(hù)ux對(duì)項(xiàng)目Ik的評(píng)分，Iux為用戶(hù)ux評(píng)分向量。Q(Iui,ux)為用戶(hù)ui、uj之間共同評(píng)分過(guò)的項(xiàng)目集合，即Q(Iui,ux)=Iui∩Iux，則用戶(hù)ux中屬于共同評(píng)分的項(xiàng)目為Q(Iui,ux)∩Iux，記作R(Iux)。

算法步驟如下：

(1) 計(jì)算目標(biāo)用戶(hù)的鄰近用戶(hù)集合T(ui)。

(2) 建立基于用戶(hù)ux評(píng)分的RBF神經(jīng)網(wǎng)絡(luò)評(píng)分模型。首先，找出Iux中屬于共同評(píng)分的項(xiàng)目集合R(Iux)。其次，把該集合中所有項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的樣本輸入，訓(xùn)練網(wǎng)絡(luò)的樣本輸出為ux對(duì)目標(biāo)項(xiàng)目的評(píng)分Px,k，如圖6所示。經(jīng)過(guò)訓(xùn)練建立起來(lái)的網(wǎng)絡(luò)就是基于用戶(hù)ux評(píng)分的網(wǎng)絡(luò)模型，記作net(ux)。

圖6 基于ux評(píng)分的網(wǎng)絡(luò)模型 圖7 基于ux評(píng)分的網(wǎng)絡(luò)輸出

(4) 判斷ux是否是集合T(ui)的最后一個(gè)用戶(hù)。如果不是，則返回執(zhí)行步驟(2)，直到計(jì)算完所有的相似用戶(hù)；如果是，則說(shuō)明已經(jīng)收集完了所有基于鄰近用戶(hù)評(píng)分的網(wǎng)絡(luò)輸出，接下來(lái)執(zhí)行步驟(5)計(jì)算目標(biāo)用戶(hù)的最終評(píng)分。

(5) 收集完所有鄰近用戶(hù)的網(wǎng)絡(luò)輸出評(píng)分后，使用如下改進(jìn)的公式來(lái)計(jì)算ui對(duì)目標(biāo)項(xiàng)目的評(píng)分Pi,k：

(6)

算法的流程如圖8所示。

圖8 基于RBF徑向基的神經(jīng)網(wǎng)絡(luò)推薦算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)采用美國(guó)Minnesota大學(xué)的GroupLens項(xiàng)目小組創(chuàng)辦的Movielens數(shù)據(jù)集。該數(shù)據(jù)集至少有10萬(wàn)條評(píng)分記錄，包括943個(gè)用戶(hù)對(duì)于1682部電影的評(píng)分。這里定義評(píng)分矩陣稀疏度為已有評(píng)分?jǐn)?shù)量占影評(píng)總量的百分比。

3.2 度量標(biāo)準(zhǔn)

評(píng)價(jià)推薦系統(tǒng)推薦質(zhì)量的度量標(biāo)準(zhǔn)大多采用統(tǒng)計(jì)精度度量方法[12]。該方法中的平均絕對(duì)偏差MAE(Mean Absolute Error)方法不僅易于理解，而且還可以直觀地對(duì)推薦質(zhì)量進(jìn)行度量。故本文采用該方法作為評(píng)價(jià)度量標(biāo)準(zhǔn)。平均絕對(duì)偏差通過(guò)計(jì)算用戶(hù)的預(yù)測(cè)評(píng)分與實(shí)際評(píng)分之間的偏差來(lái)度量預(yù)測(cè)的準(zhǔn)確性[13]。MAE值大小與推薦質(zhì)量之間成反比關(guān)系，也就是說(shuō)MAE值越小，推薦質(zhì)量就越高。

3.3 實(shí)驗(yàn)結(jié)果與分析

由于協(xié)同過(guò)濾推薦算法的推薦效果同時(shí)受到評(píng)分?jǐn)?shù)據(jù)集稀疏度(λ)和鄰近用戶(hù)個(gè)數(shù)(N)兩個(gè)因素的影響，所以，在驗(yàn)證改進(jìn)算法時(shí)將圍繞這兩個(gè)因素進(jìn)行對(duì)比。

(1) 不同評(píng)分?jǐn)?shù)據(jù)稀疏度算法的對(duì)比

實(shí)驗(yàn)中對(duì)原始數(shù)據(jù)進(jìn)行隨機(jī)刪減，形成λ分別為2%、4%、6%、10%、12%、14%、16%、18%和20%的10個(gè)稀疏評(píng)分矩陣，并分別對(duì)這10個(gè)評(píng)分矩陣使用傳統(tǒng)的協(xié)同過(guò)濾推薦算法和本文提出的改進(jìn)算法進(jìn)行測(cè)試。這里固定鄰近集合的大小為15，這樣可以在相同鄰近用戶(hù)數(shù)量的情況下對(duì)比不同評(píng)分稀疏性對(duì)評(píng)分預(yù)測(cè)所帶來(lái)的影響。實(shí)驗(yàn)所測(cè)的數(shù)據(jù)如表4所示。

表4 不同評(píng)分?jǐn)?shù)據(jù)稀疏度下的MAE值

圖9為按照表4所作的直觀對(duì)比實(shí)驗(yàn)結(jié)果。

圖9 不同評(píng)分?jǐn)?shù)據(jù)稀疏度結(jié)果對(duì)比圖

從圖9可以看出，當(dāng)評(píng)分矩陣密度越小時(shí)，改進(jìn)后的協(xié)同過(guò)濾算法的MAE值比原協(xié)同過(guò)濾算法的值小。當(dāng)密度不斷增大時(shí)，這兩種算法之間的MAE值不斷接近。這是因?yàn)樵诠潭ㄠ徑脩?hù)數(shù)量的情況下，當(dāng)評(píng)分?jǐn)?shù)據(jù)越稀疏時(shí)，所得到的鄰近用戶(hù)與目標(biāo)用戶(hù)之間相似度可靠性就越低?？煽啃缘偷泥徑脩?hù)在對(duì)目標(biāo)項(xiàng)目的評(píng)分上產(chǎn)生過(guò)高或者過(guò)低的偶然性因素的概率就會(huì)越高。相反，當(dāng)評(píng)分密度大時(shí)，計(jì)算所得到的目標(biāo)用戶(hù)與鄰近用戶(hù)相似的可靠性也就越高，所以鄰近用戶(hù)與目標(biāo)用戶(hù)之間就更加相似，那么評(píng)分上的偶然性因素發(fā)生的概率就會(huì)降低。

(2) 不同鄰近用戶(hù)數(shù)量上算法的對(duì)比

在同一評(píng)分?jǐn)?shù)據(jù)稀疏度，不同鄰近用戶(hù)數(shù)量下傳統(tǒng)算法和改進(jìn)后算法的對(duì)比實(shí)驗(yàn)中，鄰近用戶(hù)數(shù)量分別取5、15、25、35、45, λ固定為10%。實(shí)驗(yàn)所測(cè)得的數(shù)據(jù)如表5和圖10所示。

表5 不同鄰近用戶(hù)數(shù)量下的MAE值

圖10 不同鄰近用戶(hù)數(shù)量下MAE值對(duì)比圖

從圖10中看出，隨著鄰近用戶(hù)數(shù)量的不斷增多，兩種算法的MAE值都呈現(xiàn)了下降的趨勢(shì)，但改進(jìn)后的算法要比傳統(tǒng)的算法下降得快一些。這說(shuō)明改進(jìn)后的算法在鄰近用戶(hù)數(shù)量越多時(shí)性能越好。分析原因，主要是在固定評(píng)分?jǐn)?shù)據(jù)稀疏度下，隨著用于計(jì)算的鄰近用戶(hù)數(shù)量的增多，鄰近用戶(hù)與目標(biāo)用戶(hù)的相似度會(huì)越來(lái)越小，用戶(hù)之間相似可靠性也會(huì)隨之下降，導(dǎo)致鄰近用戶(hù)與目標(biāo)用戶(hù)在目標(biāo)項(xiàng)目上的評(píng)分差值增大。而使用改進(jìn)后的算法能夠減小這兩個(gè)用戶(hù)對(duì)目標(biāo)項(xiàng)目評(píng)分之間的差值，從而提高了預(yù)測(cè)的精確度。

4 結(jié) 語(yǔ)

針對(duì)鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目評(píng)分上的偶然性偏大或者偏小因素給目標(biāo)用戶(hù)的預(yù)測(cè)結(jié)果帶來(lái)誤差的情況，本文使用了RBF徑向基神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)的協(xié)同過(guò)濾推薦算法進(jìn)行改進(jìn)。改進(jìn)后的算法在傳統(tǒng)算法的基礎(chǔ)上結(jié)合了目標(biāo)用戶(hù)自身的評(píng)分特性，達(dá)到了減小預(yù)測(cè)值與真實(shí)值之間評(píng)分偏差的目的，進(jìn)而降低了鄰近用戶(hù)對(duì)目標(biāo)項(xiàng)目評(píng)分過(guò)高或者過(guò)低所帶來(lái)的偶然性誤差。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)推薦算法相比，改進(jìn)后的推薦算法在數(shù)據(jù)評(píng)分稀疏和鄰近用戶(hù)數(shù)量大的情況下可以獲得更好的推薦效果。

改進(jìn)后的算法在原有算法的基礎(chǔ)上增加了對(duì)鄰近用戶(hù)評(píng)分建模這一步驟。如果單個(gè)鄰近用戶(hù)評(píng)分項(xiàng)目數(shù)量比較多的時(shí)，必然會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間，從而算法的運(yùn)行整體運(yùn)行效率會(huì)大大地降低。在將來(lái)的工作中將研究如何對(duì)鄰近用戶(hù)的項(xiàng)目評(píng)分?jǐn)?shù)據(jù)進(jìn)行優(yōu)化，提升RBF神經(jīng)網(wǎng)絡(luò)模型建模效率，降低改進(jìn)后算法運(yùn)行的代價(jià)。

[1] Hu L,Song G H,Xie Z Z,et al.Personalized recommendation algorithm based on preference features[J].Tsinghua Science & Technology,2014,19(3):293-299.

[2] 郭磊,馬軍,陳竹敏,等.一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J].計(jì)算機(jī)學(xué)報(bào),2014,37(1):219-228.

[3] 馬宏偉,張光衛(wèi),李鵬.協(xié)同過(guò)濾推薦算法綜述[J].小型微型計(jì)算機(jī)系統(tǒng),2009,30(7):1282-1288.

[4] 鄧曉懿,金淳,韓慶平,等.基于情境聚類(lèi)和用戶(hù)評(píng)級(jí)的協(xié)同過(guò)濾推薦模型[J].系統(tǒng)工程理論與實(shí)踐,2013,33(11):2945-2953.

[5] 黃創(chuàng)光,印鑒,汪靜,等.不確定近鄰的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)學(xué)報(bào),2010,33(8):1369-1377.

[6] 楊杰.個(gè)性化推薦系統(tǒng)應(yīng)用與研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2009:16-22.

[7] Yigit M,Bilgin B E,Karahoca A.Extended topology based recommendation system for unidirectional social networks[J].Expert Systems with Applications,2015,42(7):3653-3661.

[8] Zhang Y,Liu Y D,Zhao J.Vector similarity measurement method[J].Technical Acoustics,2009,28(4):532-536.

[9] Qiao Junfei,Han Honggui.Optimal Structure Design for RBFNN Structure[J].Acta Automatica Sinica,2010,36(6):865-872.

[10] 周維華.RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D].上海:華東理工大學(xué),2014:13-21.

[11] 劉金琨.RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制MATLAB仿真[M].北京:清華大學(xué)出版社,2014:227-280.

[12] 劉淇.基于用戶(hù)興趣建模的推薦方法及應(yīng)用研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2013:33-58.

[13] 楊芳,潘一飛,李杰,等.一種改進(jìn)的協(xié)同過(guò)濾推薦算法[J].河北工業(yè)大學(xué)學(xué)報(bào),2010,39(3):82-87.

A NEW COLLABORATIVE FILTERING RECOMMENDATION ALGORITHM BASED ON RBF NEURAL NETWORK

Ye Lanping Liu Feng Zhu Erzhou*

(SchoolofComputerScienceandTechnology,AnhuiUniversity,Hefei230601,Anhui,China)

Traditional collaborative filtering recommendation algorithms have the problem of over dependence on neighbouring users in the prediction of target users’ rating while neglecting the rating characteristic of target users themselves. Aiming at the problem, this paper proposes an improved RBF-based neural network prediction method. The method uses RBF (radial basis function) neural network to carry out model training on the projects rating data of neighbouring users first, and gets the target user-based network rating model; then it calculates in combination with the rating of target user its own to obtain a rating result which is based on the model; at last, it combines the model ratings of all the neighbouring users to predict the final rating of target user on target items. The improved algorithm learns from the similarity between neighbouring users and considers the rating characteristics of target user its own as well. Experimental results show that the improved collaborative filtering recommendation algorithm is able to achieve better recommendation results than the traditional algorithms.

Collaborative filtering Rating deviation RBF neural network User rating data model

2015-05-16。國(guó)家自然科學(xué)基金項(xiàng)目(61300169)。葉蘭平，碩士生，主研領(lǐng)域：智能計(jì)算。劉鋒，教授。朱二周，講師。

TP301.6

A

10.3969/j.issn.1000-386x.2016.11.042