于 波, 陳庚午,2, 王愛玲,2, 林 川,2

?

一種結(jié)合項(xiàng)目屬性的混合推薦算法①

于 波1, 陳庚午1,2, 王愛玲1,2, 林 川1,2

1(中國(guó)科學(xué)院沈陽計(jì)算技術(shù)研究所, 沈陽 110168)2(中國(guó)科學(xué)院大學(xué), 北京 100049)

傳統(tǒng)的協(xié)同過濾推薦算法中僅僅根據(jù)評(píng)分矩陣進(jìn)行推薦, 由于矩陣的稀疏性, 存在推薦質(zhì)量不高的問題. 本文提出了一種結(jié)合項(xiàng)目屬性相似性的混合推薦算法, 該算法通過計(jì)算項(xiàng)目之間屬性的相似性, 并且與基于項(xiàng)目的協(xié)同過濾算法中的相似性動(dòng)態(tài)結(jié)合, 通過加權(quán)因子的變化控制兩種相似性的比重來改善協(xié)同過濾中的稀疏性問題, 并且將綜合預(yù)測(cè)評(píng)分和基于用戶的協(xié)同過濾預(yù)測(cè)評(píng)分相結(jié)合來提高推薦質(zhì)量, 最終根據(jù)綜合評(píng)分來進(jìn)行推薦. 通過實(shí)驗(yàn)數(shù)據(jù)實(shí)驗(yàn)證明, 該算法解決了協(xié)同過濾算法的矩陣稀疏性問題.

協(xié)同過濾; 混合算法; 綜合相似性; 稀疏性; 項(xiàng)目屬性

目前, 個(gè)性化推薦技術(shù)[1]是解決信息過載的主要的有效手段, 它根據(jù)分析用戶的歷史行為信息, 在海量信息中運(yùn)用推薦算法自動(dòng)快速的發(fā)現(xiàn)符合用戶個(gè)人興趣的服務(wù)和內(nèi)容, 推薦算法作為個(gè)性化推薦技術(shù)的核心部分起到了重要作用, 其中協(xié)同過濾算法得到了廣泛地應(yīng)用.

協(xié)同過濾算法[2-5]的基本原理是通過對(duì)用戶歷史行為數(shù)據(jù)的挖掘發(fā)現(xiàn)用戶的偏好, 基于不同的偏好對(duì)用戶進(jìn)行群組劃分并推薦品味相似的商品. 根據(jù)協(xié)同過濾的相關(guān)特征, 協(xié)同過濾算法分成基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法. 基于用戶的協(xié)同過濾首先計(jì)算活動(dòng)用戶和其他用戶之間的相似度, 并從相似用戶的興趣為目標(biāo)用戶進(jìn)行推薦. 基于項(xiàng)目的協(xié)同過濾基于這樣的假設(shè): 能夠引起用戶興趣的項(xiàng), 必定與之前評(píng)分高的項(xiàng)相似.

本實(shí)驗(yàn)室新媒體廣播項(xiàng)目主要是為沈陽廣播電臺(tái), 煙臺(tái)廣播電臺(tái)和長(zhǎng)春廣播電臺(tái)提供新媒體廣播服務(wù), 旨在將電臺(tái)廣播與互聯(lián)網(wǎng)結(jié)合, 打造包括后臺(tái)服務(wù)、主持人端、導(dǎo)播端和移動(dòng)端的一體化新媒體廣播服務(wù)平臺(tái). 在移動(dòng)端和主持人端的交互過程中發(fā)現(xiàn), 服務(wù)平臺(tái)于廣播欄目的個(gè)性化推薦依然一種有效的推薦措施. 由于欄目的收聽和互動(dòng)存在很強(qiáng)的時(shí)間聚集性,所以由此衍生的評(píng)分矩陣具有很強(qiáng)的稀疏性. 而且在協(xié)同過濾推薦算法中, 數(shù)據(jù)稀疏性問題是影響協(xié)同過濾系統(tǒng)推薦質(zhì)量的一個(gè)關(guān)鍵原因, 由于評(píng)分矩陣的稀疏, 導(dǎo)致用戶相似性度計(jì)算的評(píng)分向量中共同評(píng)分項(xiàng)太少, 使得相似性的度量誤差變大, 最近鄰居搜尋的結(jié)果的準(zhǔn)確性也就會(huì)變得難以保證, 最終進(jìn)行評(píng)分預(yù)測(cè)時(shí)就會(huì)使最終的預(yù)測(cè)值和真實(shí)評(píng)分值之間產(chǎn)生較大的誤差, 從而影響推薦的準(zhǔn)確度. 針對(duì)于此問題, 本文提出一種基于內(nèi)容過濾和協(xié)同過濾相結(jié)合的混合模式推薦技術(shù)[6,7], 將基于項(xiàng)目屬性的相似性和協(xié)同過濾中基于項(xiàng)目的相似性結(jié)合, 提出一種新的相似性度量方法, 解決協(xié)同過濾中的矩陣稀疏問題.

1 相關(guān)工作

在大部分的推薦系統(tǒng)當(dāng)中, 用戶對(duì)于項(xiàng)目的評(píng)分是非常有限的. 比如在視頻推薦的系統(tǒng)中, 視頻的數(shù)目數(shù)以十萬計(jì), 然而用戶參與評(píng)價(jià)的視頻最多至幾十部, 再次基礎(chǔ)上的評(píng)分?jǐn)?shù)據(jù)相當(dāng)稀疏, 由此產(chǎn)生的評(píng)分向量并不能準(zhǔn)確的計(jì)算用戶之間的相似性. 由此協(xié)同過濾的推薦質(zhì)量大大下降.

協(xié)同過濾中矩陣稀疏性問題一直是人們研究的重點(diǎn), 在眾多解決方法中, 最為簡(jiǎn)單的辦法就是為用戶未評(píng)分的項(xiàng)目設(shè)定一個(gè)固定的缺省值, 一般將缺少的評(píng)分設(shè)定為整個(gè)評(píng)分范圍的中間值, 例如評(píng)分范圍為1~5分制時(shí)將評(píng)分設(shè)定為3分. 這種改進(jìn)措施在一定程度上可以提高協(xié)同過濾的推薦準(zhǔn)確度但是添加的缺省值并不能準(zhǔn)確的表示實(shí)際評(píng)分情況, 所以此方法不能從根本上解決稀疏性帶來的問題. 目前很多學(xué)者也提出了可以有效解決協(xié)同過濾稀疏性的方法, 比較成功的主要有大類: 一種是通過數(shù)學(xué)原理降低矩陣的稀疏性, 通過奇異值分解技術(shù)平滑輸入矩陣, 降低矩陣的維數(shù)從而降低矩陣的稀疏性. 但是分解技術(shù)算法時(shí)間復(fù)雜度較高, 并且降低維數(shù)往往會(huì)導(dǎo)致評(píng)分矩陣中信息的丟失, 在評(píng)分極度稀疏的情況下, 效果并不理想. 另一種解決方法是通過融合推薦算法來解決協(xié)同過濾中矩陣稀疏性的問題, 在協(xié)同過濾的計(jì)算過程中加入內(nèi)容的預(yù)測(cè)等. 本文即選擇了混合算法的策略, 提出了結(jié)合屬性相似性的協(xié)同過濾中的項(xiàng)目相似性的混合推薦算法.

2　算法相關(guān)理論

2.1 評(píng)分矩陣

推薦系統(tǒng)包含M個(gè)用戶和N個(gè)項(xiàng)目, 它們形成了一個(gè) M×N的矩陣列表, 此列表即為用戶-項(xiàng)目評(píng)分矩陣, 矩陣中的值R表示用戶對(duì)項(xiàng)目的評(píng)分, 其中評(píng)分的值設(shè)置為0-5之間的整數(shù), 如果R=0則表示用戶沒有對(duì)項(xiàng)目評(píng)分, 評(píng)分值越高表示用戶對(duì)項(xiàng)目喜愛程度越高.

2.2 相似度的計(jì)算方法

協(xié)同過濾算法中, 傳統(tǒng)的3種相似性度量方法分別為余弦相似性, 相關(guān)相似性和修正余弦相似性[8]. 本文采用修正余弦相似性計(jì)算方法. 在評(píng)分矩陣中, 每一個(gè)項(xiàng)目或者用戶都對(duì)應(yīng)一個(gè)有評(píng)分構(gòu)成的評(píng)分向量, 所以在基于用戶的協(xié)同過濾算法中, 用戶U---和用戶U的相似性計(jì)算公式如下所示:

表示用戶U---和U共同評(píng)分集合,表示平均評(píng)分.

和用戶的相似性計(jì)算類似, 在基于項(xiàng)目的協(xié)同過濾算法中, 項(xiàng)目V和V的相似性計(jì)算如下所示:

3 結(jié)合項(xiàng)目屬性相似的協(xié)同過濾研究

3.1 內(nèi)容預(yù)測(cè)的原理

基于內(nèi)容的推薦算法來源于信息檢索領(lǐng)域, 其基本原理根據(jù)項(xiàng)目的屬性特征構(gòu)建項(xiàng)目的屬性特征文件, 然后通過項(xiàng)目的特征屬性文件與用戶的興趣愛好進(jìn)行相似性匹配, 將用戶感興趣的項(xiàng)目推薦給用戶. 內(nèi)容過濾的推薦技術(shù)僅僅考慮項(xiàng)目的屬性特征并不需要考慮到用戶的評(píng)價(jià)行為, 因此內(nèi)容的預(yù)測(cè)不會(huì)受到用戶評(píng)分稀疏性的影響. 在此基礎(chǔ)上本節(jié)對(duì)協(xié)同過濾中加入項(xiàng)目屬性特征相似性進(jìn)行了研究.

3.2 項(xiàng)目屬性相似性的計(jì)算

在協(xié)同過濾推薦算法中, 由于相似性是根據(jù)評(píng)分矩陣計(jì)算, 然而一些項(xiàng)目沒有足夠的評(píng)價(jià), 所以由稀疏矩陣產(chǎn)生的評(píng)分向量并不能有效的計(jì)算項(xiàng)目之間的相似性[9]. 但是一般的協(xié)同過濾推薦系統(tǒng)會(huì)有對(duì)項(xiàng)目的簡(jiǎn)單描述, 比如在廣播節(jié)目有欄目, 話題, 微博等類別屬性, 而欄目又具有生活, 醫(yī)療, 娛樂, 音樂, 交通等屬性. 這些欄目的屬性, 可以看成是有關(guān)項(xiàng)目的關(guān)鍵詞, 這樣, 每個(gè)項(xiàng)目Itemi就可以由關(guān)鍵詞來描述, 如下:

Itemi={A1, A2, …, An}

則通過分析項(xiàng)目信息就可以得到項(xiàng)目-屬性矩陣; 假設(shè)Item個(gè)數(shù)為n, 屬性的個(gè)數(shù)是k, 則項(xiàng)目-屬性矩陣如表1所示.

表1 項(xiàng)目-屬性表

其中, 1表示項(xiàng)目擁有屬性, 0表示沒有此屬性.

其中項(xiàng)目C和C表示項(xiàng)目V和項(xiàng)目V的屬性向量,表示結(jié)果向量中1的個(gè)數(shù).

3.3 綜合相似性的計(jì)算

協(xié)同過濾的推薦效果一般要優(yōu)于內(nèi)容過濾[9], 因此, 在推薦過程中主要還是依賴協(xié)同過濾, 但是由于在評(píng)分矩陣極端稀疏的情況下, 對(duì)兩個(gè)項(xiàng)目進(jìn)行評(píng)分的用戶集合可能很小. 如果只有一兩個(gè)用戶對(duì)項(xiàng)目共同評(píng)分, 即使算出的相似度較高其可信度也是較低的. 所以, 在基于項(xiàng)目的協(xié)同過濾中, 根據(jù)評(píng)分計(jì)算項(xiàng)目相似性的同時(shí)加入屬性的相似性, 將兩種相似行進(jìn)行線性組合, 最終得到項(xiàng)目的綜合相似性.

在協(xié)同過濾算法中, 基于項(xiàng)目的基本原理是根據(jù)所有用戶對(duì)項(xiàng)目的偏好, 發(fā)現(xiàn)項(xiàng)目和項(xiàng)目之間的相似度, 即假設(shè)能夠引起使用者興趣的物品, 必定與其之前偏好的物品相似, 通過計(jì)算物品間的相關(guān)來做推薦[10]. 其原理如圖1所示.

如圖所示, 物品a同時(shí)被用戶a和用戶b喜歡, 物品c也同時(shí)被用戶a和用戶b喜歡, 因此可以認(rèn)為物品a和物品c具有相似性, 同時(shí)用戶c喜歡物品a, 所以可以將與物品a具有相似性的物品c推薦給用戶.

根據(jù)上述原理, 通過評(píng)分矩陣提取出兩個(gè)項(xiàng)目的評(píng)分向量, 則通過基于項(xiàng)目的相似性計(jì)算公式即公式(2)可以得到兩個(gè)項(xiàng)目之間的相似性.

圖1 協(xié)同過濾原理圖

為了提高質(zhì)量, 本文將兩種相似性進(jìn)行線性組合, 引入權(quán)值變量λ, 由于基于評(píng)分的相似性與兩個(gè)項(xiàng)目的共同評(píng)分用戶的數(shù)量有關(guān), 共同評(píng)分用戶越多相似性越準(zhǔn)確, 所以權(quán)值變量λ的計(jì)算公式如下:

(5)

如公式所示, λ和兩個(gè)項(xiàng)目的共同評(píng)分用戶數(shù)目息息相關(guān), 如果兩個(gè)項(xiàng)目的共同評(píng)分用戶數(shù)目越多, 則基于評(píng)分的項(xiàng)目相似性所占的比重越大, 從而使相似度計(jì)算更加準(zhǔn)確.

通過分析公式(5)可知, 如果存在冷啟動(dòng)項(xiàng)目, 即沒有用戶進(jìn)行評(píng)價(jià), 則λ的值為0, 此時(shí)可以根據(jù)項(xiàng)目本身的相似性計(jì)算得到其相似項(xiàng)目集合來預(yù)測(cè)評(píng)分. 如果存在評(píng)分矩陣極度稀疏的情況, 同樣λ的值會(huì)相應(yīng)的減小, 根據(jù)評(píng)分計(jì)算的相似性比重也較少, 所以可以減少稀疏性對(duì)于相似性計(jì)算的影響, 由此可知, 綜合相似性的計(jì)算可以在一定程度上解決推薦算法中的矩陣稀疏性問題.

3.4 綜合評(píng)分的預(yù)測(cè)

由上述可知, 由綜合相似性得到的評(píng)分P僅僅是根據(jù)項(xiàng)目之間的相似性計(jì)算而來, 而忽略了用戶之間的相似性對(duì)于推薦算法的影響, 因此, 在得到項(xiàng)目之間的相似性的同時(shí), 本文引入?yún)f(xié)同過濾中基于用戶的相似性計(jì)算. 在協(xié)同過濾中, 與計(jì)算項(xiàng)目相似性類似, 通過評(píng)分矩陣可以得到每個(gè)用戶的評(píng)分向量, 則通過公式(1)可以得到用戶之間的相似性, 由次引入基于用戶的協(xié)同過濾預(yù)測(cè)評(píng)分, 其計(jì)算公式如下:

(7)

在得到根據(jù)項(xiàng)目相似性計(jì)算的預(yù)測(cè)評(píng)分P和根據(jù)用戶之間的相似性計(jì)算的預(yù)測(cè)評(píng)分P之后, 通過權(quán)值因子將兩個(gè)評(píng)分線性組合, 通過實(shí)驗(yàn)來確定的值, 最終得到綜合預(yù)測(cè)評(píng)分來進(jìn)行推薦. 其組合公式如下:

其中為權(quán)重因子,∈[0,1].

3.5 推薦過程

為了解決協(xié)同過濾中冷啟動(dòng)和稀疏性的問題, 本文引入了基于項(xiàng)目本身屬性相似性的計(jì)算, 將項(xiàng)目屬性相似和基于項(xiàng)目的協(xié)同過濾相似性線性結(jié)合, 然后將混合預(yù)測(cè)評(píng)分與基于用戶的協(xié)同過濾評(píng)分動(dòng)態(tài)結(jié)合, 最終的到綜合預(yù)測(cè)評(píng)分. 其推薦過程如圖2所示.

推薦過程描述如下:

Step1: 根據(jù)公式(3)計(jì)算項(xiàng)目之間基于屬性的相似度.

Step2: 根據(jù)公式(2)計(jì)算項(xiàng)目之間基于評(píng)分的相似度.

Step3: 根據(jù)公式(5)計(jì)算項(xiàng)目之間的綜合相似度:.

Step4: 根據(jù)公式(6)計(jì)算基于項(xiàng)目綜合相似性的預(yù)測(cè)評(píng)分P.

Step5: 根據(jù)公式(7)計(jì)算基于用戶相似性的預(yù)測(cè)評(píng)分PU.

Step6: 根據(jù)公式(8)計(jì)算最終綜合預(yù)測(cè)評(píng)分P.

Step7: 根據(jù)綜合評(píng)分P對(duì)項(xiàng)目進(jìn)行降序排序, 將集合的top—k推薦給用戶.

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用本實(shí)驗(yàn)室統(tǒng)計(jì)的用戶與欄目交互的實(shí)際數(shù)據(jù), 用戶與欄目的互動(dòng)行為包含收藏, 點(diǎn)贊, 評(píng)論, 閱讀, 和收聽五個(gè)行為, 根據(jù)用戶的行為為欄目打分, 其中收藏2分, 點(diǎn)贊, 評(píng)論分別1分, 閱讀收聽分別0.5分由此可得到用戶和欄目的評(píng)分矩陣. 根據(jù)實(shí)驗(yàn)室得到的數(shù)據(jù)經(jīng)過處理可以得到1000個(gè)用戶對(duì)97個(gè)欄目10000條評(píng)分記錄, 評(píng)分范圍為1~5. 數(shù)值越高表示用戶對(duì)欄目的偏愛程度越高, 本文將數(shù)據(jù)集按照80%的訓(xùn)練集和20%的測(cè)試集劃分. 同時(shí)每部欄目都有其所屬的類別, 本文將欄目分成以下類別: 生活, 醫(yī)療, 音樂, 交通, 新聞, 教育, 談話, 服務(wù), 戲劇, 綜藝. 然后將這10種類別作為欄目的屬性, 用于獲得欄目的屬性相似度.

4.2 度量標(biāo)準(zhǔn)

推薦系統(tǒng)常用的度量標(biāo)準(zhǔn)有平均絕對(duì)偏差MAE和均方根誤差RMSE. 本文采用平均絕對(duì)偏差MAE作為度量標(biāo)準(zhǔn), MAE用于度量推薦算法的估計(jì)評(píng)分與真實(shí)值之間的差異. MAE值越小, 估計(jì)的準(zhǔn)確性越高,定義如下:

其中P-為用戶對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分,r為用戶對(duì)項(xiàng)目的真是實(shí)際評(píng)分,為測(cè)試集中記錄評(píng)分的個(gè)數(shù).

4.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)一: 確定權(quán)重因子.

取項(xiàng)目和用戶的最近鄰居數(shù)目都為30做實(shí)驗(yàn), 通過改變權(quán)重因子值觀測(cè)MAE的變化. 其中的值以0.1為步長(zhǎng)從0.2變化到0.8. 混合推薦算法的平均絕對(duì)誤差MAE如圖3所示.

圖3 實(shí)驗(yàn)一結(jié)果

從圖3可以看出, 當(dāng)α的值取值太大或太小推薦效果并不是最好, 當(dāng)α=0.6時(shí)MAE的值最小, 意味著推薦質(zhì)量最好. 因此取α=0.6進(jìn)行實(shí)驗(yàn)二, 來確定最近鄰居數(shù)并比較兩種算法的優(yōu)劣.

實(shí)驗(yàn)二: 比較混合算法與協(xié)同過濾的優(yōu)劣.

由實(shí)驗(yàn)一確定α后, 通過改變最近鄰居數(shù)目來觀察MAE值的變化, 同時(shí)與基于用戶的協(xié)同過濾作推薦結(jié)果比較如圖4所示.

圖4 實(shí)驗(yàn)二結(jié)果

從圖4可以看出, 當(dāng)最近鄰居數(shù)目為50的時(shí)候推薦效果比較好, 而且通過兩個(gè)曲線比較可以看出, 混合算法的MAE相對(duì)于協(xié)同過濾算法有明顯的減小, 所以改進(jìn)的推薦混合推薦算法具有比較好的準(zhǔn)確性和比較好的推薦效果.

實(shí)驗(yàn)三: 稀疏性比較

在通過實(shí)驗(yàn)一和實(shí)驗(yàn)二確定了α和最近鄰居的數(shù)目后, 此實(shí)驗(yàn)通過改變?cè)u(píng)分矩陣的稀疏性來比較協(xié)同過濾和混合算法的優(yōu)劣. 由實(shí)驗(yàn)室的數(shù)據(jù)可以計(jì)算的當(dāng)前數(shù)據(jù)集合的稀疏等級(jí)為1-10000/(97*1000)=0.89. 為此通過刪除評(píng)分?jǐn)?shù)據(jù)來增加矩陣的稀疏等級(jí), 刪除的策略為優(yōu)先刪除參與評(píng)分用戶數(shù)目較少的項(xiàng)目的數(shù)據(jù), 即優(yōu)先刪除冷門欄目, 由此矩陣的評(píng)分更加稀疏. 分別選擇稀疏程度在0.89, 0.92, 0.95, 0.98數(shù)據(jù)集合進(jìn)行試驗(yàn)結(jié)果如圖5.

圖5 稀疏性比較

由實(shí)驗(yàn)結(jié)果可知, 傳統(tǒng)的協(xié)同過濾在矩陣稀疏的情況下推薦質(zhì)量會(huì)大大的減少, 而本文提出的混合推薦算法, 雖然隨著矩陣的稀疏增加推薦準(zhǔn)確度也有所下降, 但是相對(duì)于協(xié)同過濾算法具有明顯的優(yōu)勢(shì). 因此混合推薦算法在降低了矩陣稀疏對(duì)于推薦結(jié)果的影響.

5　結(jié)語

本文對(duì)傳統(tǒng)推薦算法進(jìn)行了優(yōu)化, 增加權(quán)值因子來組合項(xiàng)目屬性相似性和協(xié)同過濾的相似性, 得到的相似性度量方法使得計(jì)算的項(xiàng)目的最近鄰居更加準(zhǔn)確. 實(shí)驗(yàn)結(jié)果表明, 本文提出的算法顯著提高了協(xié)同過濾推薦算法的推薦質(zhì)量, 并且可以有效解決評(píng)分矩陣稀疏性的問題. 實(shí)驗(yàn)不足之處是在解決用戶冷啟動(dòng)問題上, 計(jì)算精度還有待提高, 需要進(jìn)一步的深入研究.

1 冷亞軍,陸青,梁昌勇.協(xié)同過濾推薦技術(shù)綜述.模式識(shí)別與人工智能,2014,8:720–734.

2 楊博,趙鵬飛.推薦算法綜述.山西大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,3:337–350.

3 劉青文.基于協(xié)同過濾的推薦算法研究[博士學(xué)位論文].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2013.

4 孔維梁.協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究[博士學(xué)位論文].武漢:華中師范大學(xué),2013.

5 Peng H. Research of collaborative filtering recommendation algorithm based on network structure. Journal of Networks, 2013: 810.

6 Gong S. A collaborative filtering recommendation algorithm based on user clustering and item clustering. Journal of Software, 2010, 5(7): 745–752.

7 張馳,陳剛,王慧敏.基于混合推薦技術(shù)的推薦模型.計(jì)算機(jī)工程,2010,22:248–250,253.

8 張旭陽.基于權(quán)重的混合推薦策略研究[碩士學(xué)位論文].昆明:云南大學(xué),2015.

9 張騰季.個(gè)性化混合推薦算法的研究[碩士學(xué)位論文].杭州:浙江大學(xué),2013.

10 高虎明,趙鳳躍.一種融合協(xié)同過濾和內(nèi)容過濾的混合推薦方法.現(xiàn)代圖書情報(bào)技術(shù),2015,6:20–26.

Hybrid Recommendation Algorithm Combined with the Project Properties

YU Bo1, CHEN Geng-Wu1,2, WANG Ai-Ling1,2, LIN Chuan1,2

1(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China)2( University of Chinese Academy of Sciences, Beijing 100049, China)

Traditional collaborative filtering recommendation algorithm only bases on matrix. Due to the sparsity of matrix, the quality of recommendation is not high. This paper proposes a hybrid recommendation algorithm whose similarity is combined with the properties of projects. This algorithm improves the data sparseness in collaborative filtering through the change of the weighted factor, controlling the proportion of two kinds of similarity that one is the similarity of attribute between projects and the other is the similarity of item-based collaborative filtering algorithm. And the comprehensive prediction score and user-based collaborative filtering prediction score are combined to improve the quality of recommendation. Finally, the recommendation is given according to the comprehensive scores. Experiments show that the algorithm has better recommendation quality.

collaborative filtering; hybrid algorithm; comprehensive similarity; sparse matrix; project properties

2016-04-06;收到修改稿時(shí)間:2016-04-27

[10.15888/j.cnki.csa.005490]