端德坤，傅秀芬

廣東工業(yè)大學(xué) 計算機(jī)學(xué)院，廣州 510006

混合協(xié)同過濾算法中用戶冷啟動問題的研究

端德坤，傅秀芬

廣東工業(yè)大學(xué) 計算機(jī)學(xué)院，廣州 510006

在推薦系統(tǒng)中，用戶冷啟動問題是傳統(tǒng)協(xié)同過濾推薦系統(tǒng)中一直存在的問題。針對這個問題，在傳統(tǒng)協(xié)同過濾算法的基礎(chǔ)上，提出一種新的解決用戶冷啟動問題的混合協(xié)同過濾算法，該算法在計算用戶相似性時引入用戶信任機(jī)制和人口統(tǒng)計學(xué)信息，綜合考慮用戶的屬性相似性和信任相似性。同時，算法還在用戶近鄰的選取上做了一些改進(jìn)。實(shí)驗(yàn)表明該算法有效緩解了傳統(tǒng)協(xié)同過濾推薦系統(tǒng)中的用戶冷啟動問題。

協(xié)同過濾；推薦系統(tǒng)；冷啟動；信任機(jī)制；用戶聚類

1 引言

推薦系統(tǒng)[1]能夠向系統(tǒng)中的用戶推薦系統(tǒng)中的項(xiàng)目，最常用和最成功的推薦系統(tǒng)之一是協(xié)同過濾推薦系統(tǒng)。在協(xié)同過濾推薦系統(tǒng)中，兩種類型的推薦系統(tǒng)被廣泛研究：基于鄰域方法[2]和基于模型方法[3]的推薦系統(tǒng)?；卩徲虻姆椒杏诎l(fā)現(xiàn)相似用戶或者相似項(xiàng)目進(jìn)行推薦，包括基于用戶的方法和基于項(xiàng)目的方法，其中，基于用戶的方法預(yù)測評分是基于相似用戶的評分，而基于項(xiàng)目方法預(yù)測用戶評分是找到當(dāng)前用戶評分項(xiàng)目相似的項(xiàng)目，然后對這些相似項(xiàng)目評分。而基于模型的的協(xié)同過濾方法與基于鄰域的方法不同，基于模型的方法利用評分矩陣訓(xùn)練模型，這個評分矩陣可以用來解釋評分矩陣中的數(shù)據(jù)，所以基于模型的方法是通過模型預(yù)測評分，而不是像基于鄰域的方法那樣直接操作原始評分?jǐn)?shù)據(jù)。

傳統(tǒng)推薦系統(tǒng)一直存在冷啟動問題，包括新用戶冷啟動問題[4]和新項(xiàng)目冷啟動問題[5]，為了能夠根據(jù)評分?jǐn)?shù)據(jù)給用戶推薦項(xiàng)目，處理冷啟動問題普遍的策略是求助額外信息，將這些信息添加到評分矩陣中。這種方法在很多研究性論文中都有提供，他們大多數(shù)是基于混合推薦。下面分析一些混合法；文獻(xiàn)[6]分析用戶評分尺度及用戶活躍度對項(xiàng)目相似性的影響，對混合模型進(jìn)行了優(yōu)化。文獻(xiàn)[7]提出融合項(xiàng)目特征和移動用戶信任關(guān)系的推薦算法。文獻(xiàn)[8]根據(jù)信任度、相似度和關(guān)系度的混合權(quán)重，提出了一種基于信任傳播的協(xié)同過濾算法。文獻(xiàn)[9]提出一種網(wǎng)絡(luò)結(jié)構(gòu)和標(biāo)簽相融合的推薦算法，采用網(wǎng)絡(luò)推薦算法模型和兩種用戶偏好模型進(jìn)行組合推薦。文獻(xiàn)[10]結(jié)合隨機(jī)游走和K近鄰算法，提出基于用戶推薦互動的混合推薦系統(tǒng)。文獻(xiàn)[11]根據(jù)全局信任網(wǎng)絡(luò)和局部信任網(wǎng)絡(luò)，提出一種基于信任的推薦系統(tǒng)。文獻(xiàn)[12]提出一種利用朋友關(guān)系和用戶標(biāo)簽的混合推薦系統(tǒng)。文獻(xiàn)[13]為了解決用戶冷啟動問題，設(shè)計出一個基于分類的分布式混合推薦框架。

前面方法的策略主要是向評分矩陣中添加額外的信息，例如用戶的概況，用戶的標(biāo)簽，用戶的作品等等。這些方法在一定程度上緩解了冷啟動問題。但這些方法沒有考慮用戶沒有評分，或者評分矩陣極度稀疏情況下，會導(dǎo)致這些混合推薦方法推薦質(zhì)量下降。針對上述問題，論文提出了一種混合協(xié)同過濾方法（Hybrid Collaborative Filtering，HCF），在用戶剛進(jìn)入系統(tǒng)沒有對項(xiàng)目進(jìn)行評分，并且評分矩陣極度稀疏的情況下，該方法能夠有效地緩解了冷啟動問題，并且提高了推薦質(zhì)量。

2 傳統(tǒng)協(xié)同過濾算法

傳統(tǒng)協(xié)同過濾算法首先需要獲取用戶對項(xiàng)目的評價信息，這些信息用一張二維表表示，如表1所示，表中包含m個用戶和n個項(xiàng)目，表中每行代表每一個用戶，表示為U={U1,U2,…,Um}，每一列代表每個項(xiàng)目，表示為 j∈[1,2,…,n]。表中每一行與每一列的交點(diǎn)代表用戶對項(xiàng)目的評分，這里用Rij表示，其中i∈{ }1,2,…,m ，j∈[1,2,…,n]。表中的缺省項(xiàng)表示用戶Ui還沒有對項(xiàng)目Ij評分。

表1 用戶-項(xiàng)目評分矩陣R(m×n)

傳統(tǒng)協(xié)同過濾算法第二步是找到用戶的相似鄰居，有許多相似性計算方法，最常用的度量方法為皮爾遜相關(guān)系數(shù)（Pearson）、余弦相似度（Cosine）和修正的余弦相似度（Adjust Cosine）。這三種方法的計算公式如式（1）～（3）所示。

其中 simP(Ui,Uj)、simC(Ui,Uj)和 simAC(Ui,Uj)分別表示皮爾遜相關(guān)系數(shù)、余弦相似度和修正的余弦相似度，Ii和Ij分別表示用戶Ui和Uj已評分過項(xiàng)目的集合，Iij表示用戶Ui和用戶Uj共同評分過項(xiàng)目的集合，Ric和Rjc分別表示用戶Ui和用戶Uj對項(xiàng)目c的評分，和分別表示用戶Ui和用戶Uj分別評分過的項(xiàng)目平均分。

通過分析這三個公式，這三個方法都需要根據(jù)用戶共同評分的項(xiàng)目數(shù)計算用戶間的相似度，而當(dāng)用戶剛進(jìn)入系統(tǒng)時，用戶對項(xiàng)目沒有評分或者只有少量的評分，這樣用戶間只擁有極少數(shù)的共同評分，甚至沒有共同評分，可以看出這兩種方法計算出的結(jié)果不準(zhǔn)確，不能真實(shí)地反應(yīng)用戶間的相似關(guān)系。

傳統(tǒng)協(xié)同過濾算法最后一步是計算用戶對未評價項(xiàng)目的評分，分?jǐn)?shù)由相似鄰居評分的加權(quán)平均數(shù)獲得，計算公式如下：

其中，sim(Ui,Uu)為用戶Ui和Uu的相似度，Ruj為用戶Uu對項(xiàng)目Ij的評分，和分別表示用戶Ui和Uu對已經(jīng)評分項(xiàng)目的平均分，C為目標(biāo)用戶Ui的近鄰集合。

通過分析公式（4）可以看出，此方法需要知道目標(biāo)用戶對已評分項(xiàng)目的平均評分才能預(yù)測目標(biāo)用戶對未評分項(xiàng)目的評分。而對于新用戶而言，新用戶對項(xiàng)目可能沒有評分或者只有極少數(shù)評分，不能真實(shí)地反應(yīng)用戶對項(xiàng)目的平均評分。所以傳統(tǒng)的協(xié)同過濾方法不能有效地緩解用戶冷啟動問題。

3HCF算法設(shè)計

傳統(tǒng)協(xié)同過濾算法不適合用戶沒有評分，或者評分矩陣極度稀疏的情況。針對這些缺點(diǎn)，HCF算法做了一些改進(jìn)。

3.1 改進(jìn)的相似度度量方法

當(dāng)評分矩陣極度稀疏時，利用評分矩陣計算新用戶與其他用戶的相似度不能得到理想中的效果，或者得出的結(jié)果具有偶然性。文獻(xiàn)[14]提出一種信任度與興趣度相融合的方法來調(diào)整相似性計算。

如果用戶Ui到用戶Uj在社交網(wǎng)絡(luò)圖中無可達(dá)路徑，那么非直接好友用戶Ui和用戶Uj的間接信任度ST(Ui,Uj)=0，如果用戶Ui到用戶Uj有一條以上的可達(dá)路徑，那么非直接好友用戶Ui和用戶Uj的間接信任度，綜上所述，非直接好友的間接信任度計算公式如下：

其中，n表示可達(dá)路徑的最大長度，根據(jù)社交網(wǎng)絡(luò)中有名的小世界理論，一個用戶節(jié)點(diǎn)最多通過五個中間用戶節(jié)點(diǎn)可以搜索到任意其他用戶節(jié)點(diǎn)，因而n的取值范圍定為2≤n≤6。r表示信任傳播的衰減速度，取值范圍為0＜r＜1，在信任傳播過程中，路徑長度每增加1，那么信任度就衰減r。Pi表示用戶Ui到用戶Uj可達(dá)路徑集合。

由于直接好友的直接信任度為1，則間接好友的間接信任度因在[0,1)范圍內(nèi)，而上述公式計算出來的間接信任度的取值范圍為[0,+∞)，所以對上述公式做歸一化處理，計算公式如下：

其中，NT(x,y)為歸一化后用戶x和用戶y的間接信任度。

在利用式（1）計算用戶興趣相似度時，只考慮了用戶間的共同評分?jǐn)?shù)，但沒有考慮用戶共同評分的項(xiàng)目數(shù)，當(dāng)simP(Ui,Uj)=simP(Ui,Uz)時，具有共同評分項(xiàng)數(shù)更多的用戶之間相似度應(yīng)該更大，對式（1）改進(jìn)如下：

其中，|SUi,Uj|表示用戶Ui和用戶Uj的共同評分項(xiàng)目。

通過將用戶興趣相似度simr(Ui,Uj)與用戶信任相似度simt(Ui,Uj)進(jìn)行線性融合，得到用戶融合相似度simhs(x,y)，計算公式如下：

其中，如果用戶x和用戶 y的直接信任度不等于0，那么simt(Ui,Uj)=1，否則simt(Ui,Uj)=NT(Ui,Uj)。用戶興趣相似性simr(Ui,Uj)由式（7）中可得。融合相似度simhs(Ui,Uj)由式（8）得出。

但上述方法存在一定的不足，雖然在式（7）中對皮爾遜相關(guān)系數(shù)算法進(jìn)行了一些改進(jìn)，考慮了共同評分項(xiàng)數(shù)，但是當(dāng)新用戶剛進(jìn)入系統(tǒng)時，新用戶對項(xiàng)目的評分項(xiàng)數(shù)為0，那么新用戶和所有其他用戶的共同評分項(xiàng)都為0，這樣，改進(jìn)的方法和傳統(tǒng)的方法沒有本質(zhì)的區(qū)別，都不能緩解用戶冷啟動問題。并且在式（8）的融合相似度算法中，融合興趣相似度，并不能提高計算新用戶的相似用戶的正確性，當(dāng)權(quán)重系數(shù)α越大，性能越差。

文獻(xiàn)[15]提出用戶屬性聚類和改進(jìn)的奇異值分解方法獲取用戶的近鄰：

其中α+β+γ=1，E(Ui)表示用戶Ui的特征值，A(Ui)表示用戶Ui的年齡特征值，J(Ui)表示用戶Ui的職業(yè)屬性特征值，S(Ui)表示用戶Ui的性別屬性特征值，α，β，γ分別表示三個特征值的權(quán)重。

根據(jù)式（9）計算每個用戶的特征值，然后利用改進(jìn)的K-means聚類算法與該特征值對用戶進(jìn)行聚類，通過調(diào)整聚類中心得到最后的聚類簇，找到目標(biāo)用戶所在聚類簇，填充未評分項(xiàng)，并且將目標(biāo)用戶所在聚類簇的評分矩陣進(jìn)行奇異值分解，最后利用皮爾遜相關(guān)系數(shù)算法計算用戶最近鄰。

上述方法也存在一定的弊端，在利用K-means聚類算法對用戶進(jìn)行聚類時，初始點(diǎn)的選取是隨機(jī)的，初始點(diǎn)選取的好壞影響最后得到的聚類結(jié)果。并且該方法在解決冷啟動問題上并沒有考慮用戶的信任關(guān)系。

根據(jù)式（8）和（9）中存在的不足。論文通過融合用戶屬性相似性和用戶信任相似性來緩解用戶冷啟動問題給相似性計算帶來的影響。對式（1）改進(jìn)如下：

其中simpr(Ui,Uj)表示用戶的屬性相似性，simt(Ui,Uj)表示用戶的信任相似性，α為權(quán)重系數(shù)，α∈[0,1]，通過改變α值調(diào)節(jié)屬性相似性和信任相似性的比重。

通過分析式（10），此算法計算相似度不受用戶之間共同評分的影響。該算法通過解析用戶之間的人口統(tǒng)計學(xué)信息和信任關(guān)系來計算目標(biāo)用戶與其他用戶的相似度。無論剛進(jìn)入系統(tǒng)的用戶對項(xiàng)目是否有評分，或者僅有少量的評分，該算法同樣適用。并且當(dāng)評分矩陣極度稀疏時，對該算法計算相似度的正確性影響非常小。

3.2 改進(jìn)的評分預(yù)測方法

對于剛進(jìn)入系統(tǒng)的新用戶，由于對任何項(xiàng)目都沒有評分，或者只有少量的評分，在預(yù)測評分的算法式（4）中，的值或者等于0，或者等于有限對項(xiàng)目評分的平均值，這樣不能反映用戶對項(xiàng)目的真實(shí)平均分，導(dǎo)致預(yù)測評分不準(zhǔn)確。

根據(jù)公式（10）計算出目標(biāo)用戶的相似用戶，論文利用相似用戶對項(xiàng)目評分的平均值作為新用戶的平均值：

其中Ai為目標(biāo)用戶的相似用戶的平均值，sim(Ui,Uj)h表示用戶的混合相似度，HPij表示新用戶對未評價項(xiàng)目的預(yù)測評分。

4HCF算法描述

4.1 用戶屬性值聚類

論文采用改進(jìn)的K-means聚類算法進(jìn)行用戶聚類，傳統(tǒng)的K-means聚類算法中心點(diǎn)的選取是隨機(jī)的，而初始中心點(diǎn)的選取對聚類結(jié)果的正確性有很大的影響，論文考慮到擁有較多好友的用戶具有一定的代表性，所以將這些用戶作為初始聚類中心。該算法具體步驟如下：

步驟1從用戶集合中選取直接好友最多的n個用戶作為初始聚類中心，記為CCenter={cc1,cc2,cc3,c3,ccn}。

步驟2n個聚類都初始化為空，記為集合C={c1,c2,c3,c3,cn}。

步驟3對每個用戶，計算用戶特征值和聚類中心之間的距離，得到相似性最大的聚類中心ccm，將用戶加入到相應(yīng)的聚類中。

步驟4計算每個聚類中所有用戶特征值的平均值，將平均值作為新的聚類中心。

步驟5重復(fù)步驟4和步驟5，直到聚類中心不再發(fā)生變化。

根據(jù)上述聚類算法獲得N個聚類，在同一個聚類中的用戶具有較高的屬性相似度，不在同一個聚類中的用戶具有較低的屬性相似度。simpr(Ui,Uj)的計算方法為：若用戶Ui和用戶Uj在同一個聚類中，則令simpr(Ui,Uj)=1，否則另 simpr(Ui,Uj)=0。

4.2 信任相似度計算

步驟1輸入目標(biāo)用戶Ui，信任傳播的步長n和信任傳播的衰減指數(shù)r。

步驟2根據(jù)社交網(wǎng)絡(luò)中的直接好友關(guān)系建立社交網(wǎng)絡(luò)圖。

步驟3根據(jù)公式（5）計算用戶Ui所有間接好友的間接信任度，并且根據(jù)公式（6）進(jìn)行歸一化處理。

4.3 融合相似度計算

輸入 目標(biāo)用戶Ui，用戶-項(xiàng)目評分矩陣R(m×n)，用戶屬性相似矩陣 P(x×y)，用戶信任相似矩陣T(x×y)，權(quán)重系數(shù)α，最近鄰居個數(shù)k。

輸出 目標(biāo)用戶的相似用戶集合。

步驟1根據(jù)4.1節(jié)計算用戶屬性相似度simpr(Ui,Uj)。

步驟2根據(jù)公式（6）計算用戶信任相似度simt(Ui,Uj)。

步驟3調(diào)整權(quán)重系數(shù)α，將α、simpr(Ui,Uj)、simt(Ui,Uj)帶入公式（10）計算融合相似度sim(Ui,Uj)h。

步驟4重復(fù)步驟1至步驟3，計算目標(biāo)用戶u的相似用戶集合S(u)。

4.4 評分預(yù)測

根據(jù)4.3節(jié)獲得用戶的融合相似度sim(Ui,Uj)h和目標(biāo)用戶的相似用戶集合S(u)，通過公式（11）計算用戶u對項(xiàng)目i的預(yù)測評分HPui，并根據(jù)HPui對項(xiàng)目進(jìn)行top-N排序，將評分最高的N個項(xiàng)目推薦給目標(biāo)用戶。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 數(shù)據(jù)集

實(shí)驗(yàn)中使用的數(shù)據(jù)為新浪微博數(shù)據(jù)集。該數(shù)據(jù)集中有63 641個新浪微博用戶信息，84 168條關(guān)于12個主題的微博信息，1 391 718條用戶好友關(guān)系，27 759條微博轉(zhuǎn)發(fā)關(guān)系，用戶-項(xiàng)目的評分矩陣密度為：

5.2 數(shù)據(jù)預(yù)處理

論文利用微博轉(zhuǎn)發(fā)關(guān)系構(gòu)建用戶-項(xiàng)目評分矩陣，如果用戶轉(zhuǎn)發(fā)了其他用戶的微博，則對此微博所屬的主題評分為1，否則評分為0。

隨機(jī)抽取80%的數(shù)據(jù)集作為訓(xùn)練集，剩余的作為測試集。由于新用戶冷啟動問題是用戶沒有對項(xiàng)目有過評分，數(shù)據(jù)集中不存在新用戶評分信息，因此在進(jìn)行實(shí)驗(yàn)的測試集中隨機(jī)抽取100至500個用戶作為新用戶，訓(xùn)練集中對應(yīng)的用戶對項(xiàng)目的評分信息設(shè)置為0。然后對處理后的訓(xùn)練集和測試集進(jìn)行實(shí)驗(yàn)。

5.3 實(shí)驗(yàn)方案

實(shí)驗(yàn)對HCF推薦算法中提出的信任相似度算法和HCF算法的有效性進(jìn)行驗(yàn)證。其中，信任相似度算法和可達(dá)路徑鏈接算法中的經(jīng)典算法Resource Allocation[16]（RA）算法進(jìn)行對比試驗(yàn)。HCF算法其他一些經(jīng)典的處理冷啟動問題算法比較。

對于信任相似度算法的評價依據(jù)是top-N推薦中經(jīng)常使用的F1-measure，其定義為：

P表示查準(zhǔn)確率（Precision），R 表示查全率（Recall），F(xiàn)1表示二者的調(diào)和平均數(shù)，其計算公式分別如下所示：

其中Ri表示對用戶Ui形成的推薦列表，Ti表示用戶Ui的測試集。

對于HCF推薦算法，論文采用平均絕對誤差（Mean Absolute Error，MAE）作為度量標(biāo)準(zhǔn)，MAE的定義如下：

其中，T為測試集合，rui表示用戶u對項(xiàng)目i的真實(shí)評分，表示用戶對項(xiàng)目的預(yù)測評分。MAE值越小，說明推薦算法質(zhì)量越高。

5.4 信任相似度算法與其他傳播模型比較

實(shí)驗(yàn)首先確定最優(yōu)信任傳播路徑長度n，n的值從2開始，每次增加1，直到n增加為6，實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 傳播路徑長度對推薦準(zhǔn)確性的影響

從圖1可以看出，當(dāng)路徑長度等于3時，信任相似度算法的準(zhǔn)確性最高，因此，在后續(xù)的信任相似度算法實(shí)驗(yàn)當(dāng)中，設(shè)置傳播路徑長度為3。

確定了最優(yōu)路徑長度后，接下來的實(shí)驗(yàn)比較信任相似度算法和RA算法的性能，實(shí)驗(yàn)結(jié)果如圖2。

圖2 信任相似度算法與RA算法比較

從圖2可以看出信任相似度算法優(yōu)于RA算法，這是因?yàn)镽A算法的傳播路徑長度為2，并沒有考慮更長路徑對性能的影響。

5.5 HCF算法與其他處理冷啟動算法比較

為了驗(yàn)證HCF算法的有效性，實(shí)驗(yàn)先確定公式（10）中權(quán)重參數(shù)α，參數(shù)α用來調(diào)節(jié)用戶屬性相似度和用戶信任相似度的權(quán)重，所以α的取值大小將會影響推薦效果。實(shí)驗(yàn)中α的取值從0開始，每次增加0.1，直到增加為1，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 調(diào)整權(quán)重參數(shù)α

從圖3可以看出權(quán)重參數(shù)α取值為0.6時有最佳推薦效果。當(dāng)α等于0.6時，用戶信任相似度所占比例相較于用戶屬性相似度更大，這說明用戶更加信任于關(guān)系更親近的用戶。

根據(jù)上述實(shí)驗(yàn)獲取的權(quán)重系數(shù)α，下面實(shí)驗(yàn)將HCF算法與平均法、眾數(shù)法和熵法[17]這些經(jīng)典的處理冷啟動問題的算法進(jìn)行比較，新用戶數(shù)K從100到500逐步遞增，結(jié)果如圖4所示。

圖4 幾種算法的MAE值比較

從圖4中可以看出，HCF算法比平均數(shù)算法、眾數(shù)算法、熵算法的MAE值都要小，其次為平均數(shù)和熵算法，眾數(shù)算法效果最差。且新用戶數(shù)從100增加到300時，HCF算法的MAE值逐漸增大，當(dāng)新用戶數(shù)大于300時，MAE值趨于穩(wěn)定。

6 結(jié)束語

在傳統(tǒng)協(xié)同過濾推薦系統(tǒng)中，推薦系統(tǒng)操作新用戶會有很大的困難。當(dāng)新注冊的用戶沒有對任何項(xiàng)目有評分時，用戶就不能得到系統(tǒng)提供的個性化推薦。當(dāng)用戶只對很少的項(xiàng)目有評分時，由于評分的數(shù)量不夠充足，傳統(tǒng)協(xié)同過濾推薦系統(tǒng)也不能給出可靠的推薦。針對傳統(tǒng)推薦系統(tǒng)中存在的用戶冷啟動問題，論文提出了一種混合協(xié)同過濾算法，該算法針對傳統(tǒng)基于用戶的協(xié)同過濾推薦系統(tǒng)沒有考慮用戶的社會化關(guān)系以及用戶的人口統(tǒng)計學(xué)屬性對計算用戶相似性的影響，論文綜合考慮用戶的屬性相似性和信任相似性的混合協(xié)同過濾算法。該算法不僅有效解決了傳統(tǒng)協(xié)同過濾算法用戶冷啟動問題此外，而且緩解了數(shù)據(jù)稀疏性問題。實(shí)驗(yàn)表明該算法在一定程度上提高了推薦準(zhǔn)確度。

在實(shí)際應(yīng)用中，用戶的興趣可能受時間因素和空間因素的影響，在不同的時間或者不同的地點(diǎn)，用戶的興趣可能不同。下一步工作將在HCF算法中綜合考慮時間和空間因素對計算用戶相似度的影響，動態(tài)地獲取用戶間的相似度，以提高推薦質(zhì)量。

[1]Ekstrand M D，Riedl J T，Konstan J A.Collaborative filtering recommender systems[J].Foundations and Trends in Human-Computer Interaction，2011，4（2）：81-173.

[2]Bell R M，Koren Y.Improved neighborhood-based collaborative filtering[C]//KDD Cup and Workshop at the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2007：7-14.

[3]Liu N N，Yang Q.Eigenrank：A ranking-oriented approach to collaborative filtering[C]//Proceedings of the 31st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval，2008：83-90.

[4]楊圩生，羅愛民，張萌萌，等.基于信任環(huán)的用戶冷啟動推薦[J].計算機(jī)科學(xué)，2013，40（z2）：363-365.

[5]于洪，李俊華.一種解決新項(xiàng)目冷啟動問題的推薦算法[J].軟件學(xué)報，2015，26（6）：1395-1408.

[6]李鵬飛，吳為民.基于混合模型推薦算法的優(yōu)化[J].計算機(jī)科學(xué)，2014，41（2）：68-71.

[7]胡勛，孟祥武，張玉潔，等.一種融合項(xiàng)目特征和移動用戶信任關(guān)系的推薦算法[J].軟件學(xué)報，2014，25（8）：1817-1830.

[8]王維，吳清烈.基于信任傳播的協(xié)同過濾算法[J].計算機(jī)工程與應(yīng)用，2015，51（21）：250-254.

[9]張新猛，蔣盛益，李霞，等.基于網(wǎng)絡(luò)和標(biāo)簽的混合推薦算法[J].計算機(jī)工程與應(yīng)用，2015，51（1）：119-124.

[10]Zhang H R，Min F，He X，et al.A hybrid recommender system based on user-recommender interaction[J].Mathematical Problems in Engineering，2015：1-11.

[11]Zheng X L，Chen C C，Hung J L，et al.A hybrid trustbased recommender system for online comm-unities of practice[J].IEEE Transactions on Learning Technologies，2015，8（4）：345-356.

[12]Tinghuai M A，Jinjuan Z，Meili T，et al.Social network and tag sources based augmenting collaborative recommend-der system[J].IEICE Transactions on Information and Systems，2015，98（4）：902-910.

[13]Wang J H，Chen Y H.A distributed hybrid recommendation framework to address the new-user cold-start problem[C]//IEEE International Conference on Ubiquitous Intelligence and Computingamp;IEEE International Conference on Autonomic and Trusted Computingamp;IEEE 15th International Conference on Scalable Computing and Communicationsand ItsAssociatedWorkshops（UIC-ATC-ScalCom），2015：1686-1691.

[14]侯成龍.融合社會化關(guān)系的推薦算法研究與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2014.

[15]巴麒龍.基于用戶屬性聚類和奇異值分解算法的推薦技術(shù)研究[D].北京：北京郵電大學(xué)，2013.

[16]Liao H，Zeng A，Zhang Y C.Predicting missing links via correlation between nodes[J].Physica A Statistical Mechanicsamp;Its Applications，2015，436（1）：216-223.

[17]孫冬婷.協(xié)同過濾推薦系統(tǒng)中的冷啟動問題研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2010.

DUAN Dekun,FU Xiufen

School of Computers,Guangdong University of Technology,Guangzhou 510006,China

Research on user cold start problem in hybrid collaborative filtering algorithm.Computer Engineering and Applications,2017,53（21）：151-156.

In the recommendation system,user cold start problem is the problems existing in the traditional collaborative filtering recommendation system.Aiming at this problem,on the basis of collaborative filtering algorithm,a new hybrid collaborative filtering algorithm is proposed to alleviate cold start,when calculating the user similarity is introduced into the algorithm users trust mechanism and demographic information,comprehensive considering attribute similarity and trust of users.At the same time,this algorithm improves the neighbor selection of users.Experiments show that the proposed algorithm can effectively alleviate the cold start problem of traditional collaborative filtering recommendation system.

collaborative filtering;recommendation system;cold start;trust mechanism;user cluster

A

TP391

10.3778/j.issn.1002-8331.1612-0166

廣州市科技計劃項(xiàng)目（No.2014XYD-007）。

端德坤（1989—），男，碩士研究生，主要研究領(lǐng)域?yàn)橥扑]系統(tǒng)、數(shù)據(jù)挖掘，E-mail：15602320926@163.com；傅秀芬（1957—），女，教授，主要研究領(lǐng)域?yàn)榫W(wǎng)絡(luò)多媒體、協(xié)同軟件、網(wǎng)絡(luò)安全。

2016-12-12

2017-01-16

1002-8331（2017）21-0151-06

CNKI網(wǎng)絡(luò)優(yōu)先出版：2017-04-14,http://kns.cnki.net/kcms/detail/11.2127.TP.20170414.1857.048.html