蔣宗禮， 于 莉

(北京工業(yè)大學(xué) 信息學(xué)部，北京 100124)

互聯(lián)網(wǎng)的快速發(fā)展和電子商務(wù)規(guī)模的不斷擴(kuò)大，導(dǎo)致信息過(guò)載情況日益嚴(yán)重[1]. 用戶無(wú)法在大量的信息中快速找到自己喜歡的信息，因此推薦系統(tǒng)應(yīng)運(yùn)而生.推薦系統(tǒng)根據(jù)用戶之前的行為信息發(fā)現(xiàn)其信息需求，從而將用戶喜歡的信息進(jìn)行推送[2]. 其中，協(xié)同過(guò)濾推薦算法是目前應(yīng)用于各電商最廣泛的個(gè)性化推薦算法.由于基于用戶的協(xié)同過(guò)濾算法更能推送新穎的項(xiàng)目，因此得到更為廣泛的應(yīng)用[3]. 然而，基于用戶的協(xié)同過(guò)濾算法僅考慮到用戶間評(píng)分信息，很難保證推薦質(zhì)量，因此，新用戶的冷啟動(dòng)、數(shù)據(jù)稀疏性和推薦準(zhǔn)確性依舊目前亟待解決的難題.

隨著對(duì)推薦算法研究的深入，許多學(xué)者提出了新的相似性改進(jìn)算法來(lái)改善傳統(tǒng)協(xié)同過(guò)濾算法的不足.Liu[4]等基于隨機(jī)游走技術(shù)，提出來(lái)一種用戶之間非對(duì)稱的相似性，來(lái)提高推薦性能，但這只是一個(gè)局部相似性指標(biāo)，在信息過(guò)濾技術(shù)上仍有缺陷. Li[5]等提出了一種基于信任度的相似性算法，利用用戶的直接信任來(lái)改善推薦算法中數(shù)據(jù)稀疏性問(wèn)題. Ma[6]等提出了將用戶評(píng)級(jí)和社會(huì)信任評(píng)級(jí)相結(jié)合的算法，并驗(yàn)證此混合算法能有效提高推薦性能，但不能改善矩陣稀疏性和冷啟動(dòng)問(wèn)題. 陳穎[7]等提出了基于項(xiàng)目屬性偏好挖掘的相似性算法，來(lái)緩解矩陣稀疏性. 董立巖[8]等提出一種將時(shí)間融入到評(píng)分矩陣中的算法，以提高推薦準(zhǔn)確性.

上述這些研究只專注某一點(diǎn)來(lái)提高推薦效果，以用戶項(xiàng)目評(píng)分矩陣為主要數(shù)據(jù)來(lái)源，卻忽略了用戶本身的屬性特點(diǎn)，有很多局限性. 針對(duì)以上分析，本文提出一種基于用戶特征的協(xié)同過(guò)濾推薦算法. 該算法結(jié)合屬性特征、興趣度、信任度和評(píng)分矩陣等信息來(lái)計(jì)算用戶間綜合相似性，進(jìn)而產(chǎn)生推薦. 在利用評(píng)分矩陣的基礎(chǔ)上，改進(jìn)的相似性方法的主要貢獻(xiàn)點(diǎn)如下：

(1) 結(jié)合屬性特征. 屬性特征是用戶自身的特征信息，表明了用戶的生活狀態(tài). 通過(guò)分析屬性特征的相似性可以改善用戶冷啟動(dòng)問(wèn)題，并提高推薦準(zhǔn)確性.

(2) 結(jié)合興趣度. 興趣度是推薦系統(tǒng)的推薦依據(jù)，若分析出用戶的興趣，則可大大的提高推薦準(zhǔn)確性.

(3) 結(jié)合信任度. 信任度可以分為直接信任度和間接信任度，直接信任度可以提高推薦準(zhǔn)確性，間接信任度可以填充評(píng)分矩陣，提高準(zhǔn)確性的同時(shí)還能改善數(shù)據(jù)稀疏性.

1 傳統(tǒng)的基于用戶的協(xié)同過(guò)濾推薦算法

基于用戶的協(xié)同過(guò)濾算法的理論是，如果不同用戶對(duì)于某些項(xiàng)目具有相同的興趣，那么他們對(duì)于其他的項(xiàng)目也有著相似的興趣[9]. 該算法首先找出相似用戶喜歡的項(xiàng)目，然后預(yù)測(cè)目標(biāo)用戶對(duì)目標(biāo)項(xiàng)目的評(píng)分，最后將評(píng)分靠前的項(xiàng)目給用戶做推薦.

1.1 用戶-項(xiàng)目評(píng)分矩陣

對(duì)于m個(gè)用戶n個(gè)項(xiàng)目的推薦問(wèn)題，可以構(gòu)建m×n的用戶-項(xiàng)目評(píng)分矩陣R(m,n)，如表1所示. 矩陣中第i行第j列的Ri,j表示用戶i對(duì)項(xiàng)目j的評(píng)分.

表1 用戶-項(xiàng)目評(píng)分矩陣

1.2 相似性計(jì)算方法

(1) 余弦相似性. 用戶的評(píng)分?jǐn)?shù)據(jù)可以設(shè)為n 維向量，那么兩用戶之間的相似度可看成兩用戶的評(píng)分向量夾角的余弦值. 若用戶對(duì)某個(gè)項(xiàng)目沒(méi)有評(píng)分，則默認(rèn)值為0.設(shè)兩個(gè)用戶x和用戶y之間的評(píng)分向量分別為u和v，則x和y之間的余弦相似性sim(x,y)如式(1)所示.

(2) 修正的余弦相似性. 綜合考慮不同用戶間評(píng)分的標(biāo)準(zhǔn)不一樣的情況. 設(shè)Ruv表示用戶u和用戶v的共同評(píng)分集合，Ru表示用戶u 的評(píng)分集合，表示用戶u所有評(píng)分的均值，Rv表示用戶v 的評(píng)分集合，表示用戶v所有評(píng)分項(xiàng)的均值，則用戶u和用戶v的修正余弦相似性sim(u,v)如式(2)所示.

(3) 皮爾遜相關(guān)相似性. 設(shè)Ruv表示用戶u和用戶v的共同評(píng)分集合，Ru,i表示用戶u對(duì)項(xiàng)目i的評(píng)分，Rv,i表示用戶v對(duì)項(xiàng)目i 的評(píng)分，表示用戶u所有評(píng)分的均值，表示用戶所有v評(píng)分項(xiàng)的均值，則用戶u和用戶v的皮爾遜相關(guān)相似性sim(u,v)如式(3)所示.

1.3 評(píng)分預(yù)測(cè)

一般在進(jìn)行評(píng)分預(yù)測(cè)時(shí)選取K近鄰的方法[10]，即將相似度最高的前K個(gè)用戶作為最近鄰來(lái)進(jìn)行評(píng)分預(yù)測(cè). 設(shè)集合Nu為目標(biāo)用戶的鄰居集合，Rv,i表示用戶v對(duì)項(xiàng)目i的評(píng)分，則用戶u對(duì)未評(píng)分項(xiàng)i的預(yù)測(cè)評(píng)分值Pu,i如式(4)所示.

2 基于用戶特征的協(xié)同過(guò)濾推薦算法

傳統(tǒng)的基于用戶的相似度計(jì)算方法一般只計(jì)算評(píng)分間相似性，卻忽略了用戶其他方面的相似性[10]. 本文的用戶特征綜合考慮用戶屬性、用戶興趣度、用戶信任度和用戶評(píng)分等因素，可以得到更加準(zhǔn)確全面的相似度.

2.1 用戶屬性特征相似性建模

(1) 性別相似度. 如果用戶之間的性別不同，那么對(duì)項(xiàng)目的偏好也會(huì)有很大的差異，比如女性用戶選擇項(xiàng)目時(shí)喜歡貨比三家，更加側(cè)重美觀性，而男性用戶卻大多關(guān)注項(xiàng)目的可用性，因此本文提取性別來(lái)作為屬性的一部分. 設(shè)用戶u的性別為Su，用戶v的性別為Sv，則用戶u和用戶v的性別相似度S(u,v)如式(5)所示.

(2) 年齡相似度. 年齡不同的用戶所處環(huán)境不同，看待問(wèn)題的角度也不盡相同，因此對(duì)項(xiàng)目種類的喜歡也會(huì)各有千秋[11]. 設(shè)用戶u的年齡為Au，用戶v的年齡為Av，則用戶u和用戶v的年齡相似性A(u,v)如式(6)所示.

(3) 職業(yè)相似度. 將職業(yè)分類描述成一個(gè)樹(shù)形結(jié)構(gòu)，如圖1中兩個(gè)任意節(jié)點(diǎn)的長(zhǎng)度設(shè)為1，用Height來(lái)表示總長(zhǎng)度，職業(yè)a和職業(yè)b最近的父節(jié)點(diǎn)在職業(yè)樹(shù)中的層數(shù)稱為它的高度，記Ha,b. 用戶u和用戶v的職業(yè)分別用職業(yè)a和職業(yè)b表示，則職業(yè)相似性O(shè)(u,v)如式(7)所示.

圖1 職業(yè)樹(shù)

(4)用戶屬性相似性. 將上述性別、年齡和職業(yè)三個(gè)屬性綜合起來(lái)，則用戶u和用戶v的屬性相似度sima(u,v)如式(8)所示.

其中，α、β、γ為各個(gè)屬性的權(quán)重系數(shù)，分別影響性別、年齡和職業(yè)在用戶屬性相似度上所起的作用. 其中，α、β、γ∈[0,1]，且α+β+γ=1，不同的推薦系統(tǒng)，可以動(dòng)態(tài)調(diào)整其值以達(dá)到不同的推薦效果.

融合用戶屬性相似度sima(u,v)與傳統(tǒng)的皮爾遜相似度sim(u,v)，得到用戶屬性綜合相似度simp(u,v)如式(9)所示，其中，ξ為調(diào)整屬性綜合相似度的系數(shù)，ξ∈[0,1].

2.2 用戶興趣特征相似性建模

傳統(tǒng)的基于用戶的相似度計(jì)算方法一般只計(jì)算評(píng)分間相似性，沒(méi)有考慮到用戶對(duì)某類項(xiàng)目的喜好. 若兩個(gè)用戶間評(píng)分項(xiàng)目屬性比較相近，則兩個(gè)用戶間也可認(rèn)為具有較高的相似性，因此考慮到用戶興趣特征的相似性構(gòu)建方法如下面的模型.

把用戶對(duì)某種項(xiàng)目屬性的喜好當(dāng)作用戶的興趣特征，那么用戶對(duì)某種項(xiàng)目的評(píng)價(jià)數(shù)目越多，則對(duì)這種項(xiàng)目的興趣度就越大[12]. 設(shè)NIu,i表示用戶u對(duì)i類項(xiàng)目的評(píng)價(jià)總數(shù)，NIu表示用戶已評(píng)價(jià)的項(xiàng)目總數(shù)，那么用戶u對(duì)某種項(xiàng)目的興趣度Iu,i如式(10)所示.

通過(guò)得到用戶對(duì)每個(gè)種類項(xiàng)目的興趣度，則可計(jì)算出用戶之間的興趣相似度. 設(shè)用戶u的興趣度用集合Iu=(Iu,1,Iu,2,···,Iu,i)表示，Iuv表示用戶u和用戶v共同評(píng)分的項(xiàng)目種類數(shù)，表示用戶u對(duì)所有項(xiàng)目種類的平均用戶興趣度，基于式(3)，任意兩個(gè)用戶間的興趣相似度simI(u,v)如式(11)所示.

最后將用戶興趣相似度simI(u,v)與用戶屬性綜合相似度simp(u,v)通過(guò)式(12)來(lái)計(jì)算屬性興趣相似度simz(u,v)，其中，動(dòng)態(tài)調(diào)整δ以達(dá)到不同的推薦效果，δ∈[0,1].

2.3 用戶信任度相似性建模

信任度是指在為用戶做項(xiàng)目做推薦時(shí)，其他用戶的參考程度，對(duì)一個(gè)用戶越信任，其參考程度越大. 考慮到用戶間分為有共同評(píng)分和沒(méi)有共同評(píng)分兩種情況，則將信任度分為直接信任度和間接信任度. 直接信任度表示有直接關(guān)聯(lián)的用戶相似性，間接信任度表示沒(méi)有直接關(guān)聯(lián)卻可能存在關(guān)聯(lián)的用戶相似性[13].

在用戶項(xiàng)目評(píng)分矩陣中，若兩用戶間有共同評(píng)分則矩陣中評(píng)分值不為0，若沒(méi)有共同評(píng)分則矩陣中評(píng)分值為0.在引入間接信任度的概念后，若兩用戶間沒(méi)有共同評(píng)分，且間接信任度值不為0，則可以填充評(píng)分矩陣，在一定程度上緩解了矩陣稀疏性問(wèn)題.

(1) 直接信任度

在一個(gè)用戶為另一個(gè)用戶推薦的項(xiàng)目中，可以把被推薦用戶滿意的項(xiàng)目的比例作為初始信任度.

根據(jù)式(4)的預(yù)測(cè)機(jī)制，可得到用戶u為用戶v在第i 個(gè)項(xiàng)目上的預(yù)測(cè)評(píng)分值，設(shè)表示目標(biāo)用戶v對(duì)已經(jīng)評(píng)論項(xiàng)目的平均評(píng)分，表示目標(biāo)用戶u對(duì)已經(jīng)評(píng)論項(xiàng)目的平均評(píng)分，Ru,i表示用戶u對(duì)第i個(gè)目標(biāo)項(xiàng)目的評(píng)分，其中sim(u,v)使用式(3)，則預(yù)測(cè)評(píng)分公式Pu,v,i如式(13)所示.

如果用戶u 預(yù)測(cè)用戶v對(duì)于第i個(gè)項(xiàng)目的評(píng)分值Pu,v,i與用戶v的真實(shí)評(píng)分Rv,i比較，得到的差值絕對(duì)值小于ε，則認(rèn)為推薦成功. 為了提高推薦精度，在此設(shè)定ε=0.1，如式(14)所示.

用公式Correct(u,v,i)表示用戶u對(duì)用戶v關(guān)于項(xiàng)目i是否預(yù)測(cè)成功，如式(15)所示.

設(shè)Pu表示用戶u為用戶v推薦的項(xiàng)目集合，可得到用戶v對(duì)用戶u的初始信任度T0(u,v)如式(16)所示.

以上是通過(guò)對(duì)項(xiàng)目的預(yù)測(cè)獲取的隱式直接信任度，下面分析會(huì)影響直接信任度的顯式因素. 若兩個(gè)用戶對(duì)某一個(gè)項(xiàng)目的評(píng)分都是1，由于評(píng)分范圍為1至5，則可說(shuō)明這兩個(gè)用戶對(duì)這個(gè)項(xiàng)目都不感興趣，而根據(jù)協(xié)同過(guò)濾算法，由于這兩個(gè)用戶的評(píng)分一致，會(huì)判定有很高的相似性，事實(shí)上只能說(shuō)明這兩個(gè)用戶不喜歡的項(xiàng)目一致，并不能說(shuō)明喜歡的項(xiàng)目一致.

所以在此問(wèn)題背景下，再引入興趣度閾值R，若兩用戶u和用戶v共同的項(xiàng)目評(píng)分值大于等于閾值R，說(shuō)明用戶u和用戶v對(duì)這些項(xiàng)目都感興趣. 若Iuv≥R存在的比例越大，說(shuō)明用戶的興趣越相似. 由于評(píng)分區(qū)間為1至5，為提高推薦質(zhì)量，在此設(shè)定閾值R=3.5. 定義興趣信任度如式(17)所示.

其中，Iuv表示用戶u和用戶v共同評(píng)分的項(xiàng)目數(shù)，|Iuv≥R|表示用戶u和v共同評(píng)分大于R的項(xiàng)目個(gè)數(shù).

綜合考慮用戶的初始信任度和用戶的興趣信任度，可得用戶u和用戶v的直接信任度公式如式(18)所示.

根據(jù)上述方法計(jì)算出用戶間的直接信任度，建立信任度矩陣T1.

(2) 間接信任度

為了改善矩陣稀疏性，將沒(méi)有直接信任度的用戶連接起來(lái)，需要用到信任度傳遞. 設(shè)用戶u和用戶v沒(méi)有直接信任度，但用戶u和用戶u1有直接信任度，用戶u1和用戶v有直接信任度，那么就可以說(shuō)用戶u和用戶v通過(guò)用戶u1建立了間接信任關(guān)系.

根據(jù)小世界思想[13]，則信任從用戶u到用戶v的路經(jīng)長(zhǎng)度超不過(guò)6，由于信任傳遞路經(jīng)越長(zhǎng)，得到的信任值越低，因此設(shè)傳遞中的長(zhǎng)度衰減因子θ如式(19)所示，其中閾值H≤6，當(dāng)前路徑傳遞長(zhǎng)度為N.

在一條信任路徑中，會(huì)出現(xiàn)許多用戶之間不同大小值的信任度. 根據(jù)短板理論，信任度最小的那段傳遞會(huì)拉低整條傳遞路線的值，因此將信任度傳遞中最小的信任度作為整條路徑上信任度的重要因素. 若兩個(gè)用戶間的信任度為負(fù)數(shù)，則是不信任的，因此可以終止此條路徑上的信任傳遞. 設(shè)μ為信任度閾值，則用戶u對(duì)用戶v 的間接信任度T2(u,v)如式(20)所示，其中k1,···,km表示中間信任度傳遞的用戶.

將間接信任度T2填充到直接信任度T1矩陣中，構(gòu)建用戶信任度矩陣T(u,v).

最后將用戶信任度矩陣T(u,v)與屬性興趣相似度simz(u,v)結(jié)合得到用戶特征相似度simw(u,v)如式(21)所示.

2.4 產(chǎn)生推薦

得到用戶特征相似度simw(u,v)之后，選取相似度最高的前N個(gè)用戶，然后預(yù)測(cè)目標(biāo)用戶對(duì)目標(biāo)項(xiàng)目的評(píng)分，預(yù)測(cè)評(píng)分公式Pu,i如式(22)所示.

其中，Pu,i表示目標(biāo)用戶u對(duì)第i個(gè)項(xiàng)目的預(yù)測(cè)評(píng)分，Nu表示生成的top-N 個(gè)鄰居集合，表示目標(biāo)用戶u對(duì)已評(píng)項(xiàng)目的平均評(píng)分，表示用戶v對(duì)所有已評(píng)項(xiàng)目的平均分，Rv,i表示用戶v對(duì)第i個(gè)項(xiàng)目的評(píng)分，simw(u,v)表示用戶特征相似度. 通過(guò)上述預(yù)測(cè)評(píng)分公式從大到小排序選取最靠前的N 個(gè)項(xiàng)目作為目標(biāo)用戶u的top-N個(gè)推薦集.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證改進(jìn)算法的有效性，本實(shí)驗(yàn)選取Movie Lens站點(diǎn)中的數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，它是由美國(guó)Group Lens研究小組所建立[14-16]. 這里采用了MovieLens的100 k數(shù)據(jù)集，它是由943個(gè)用戶對(duì)1682部電影的將近100 000個(gè)評(píng)分所構(gòu)成，其中每一個(gè)用戶都至少要對(duì)20部電影進(jìn)行了評(píng)分，評(píng)分區(qū)間為1到5. 最終實(shí)驗(yàn)根據(jù)數(shù)據(jù)集按80%/20%的比例隨機(jī)分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集進(jìn)行分析比較.

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文實(shí)驗(yàn)采用平均絕對(duì)誤差(MAE)[17]作為評(píng)價(jià)標(biāo)準(zhǔn). MAE越小表明預(yù)測(cè)越準(zhǔn)確、推薦的精度越高.MAE的計(jì)算方法如式(23)所示[18].

3.3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)1. 確定調(diào)參的最近鄰個(gè)數(shù)

為了選取合適的最近鄰個(gè)數(shù)以在調(diào)參的時(shí)候達(dá)到較好的推薦結(jié)果，本實(shí)驗(yàn)對(duì)不同近鄰個(gè)數(shù)的MAE值做分析. 首先選取傳統(tǒng)的協(xié)同過(guò)濾推薦算法，設(shè)定最近鄰用戶的取值區(qū)間為[5，50]，增量為5，然后計(jì)算MAE，實(shí)驗(yàn)結(jié)果如圖2所示.

圖2 最近鄰個(gè)數(shù)的MAE值

由圖2可知，最近鄰用戶數(shù)的不斷增加，MAE值會(huì)逐漸降低，當(dāng)最近鄰用戶的值為30時(shí)，MAE趨于平穩(wěn)，這時(shí)的效果比較好，因此在后面的調(diào)參中選取最近鄰用戶為30.

實(shí)驗(yàn)2. 調(diào)整用戶屬性參數(shù)

根據(jù)式(8)，α、β、γ分別表示用戶屬性中性別、年齡和職業(yè)的權(quán)重，通過(guò)調(diào)整其不同值以達(dá)到較好的推薦狀態(tài). 根據(jù)α+β+γ=1，設(shè)定α、β、γ的取值區(qū)間為[0，1]，增量為0.1，然后計(jì)算不同權(quán)重對(duì)應(yīng)的MAE值. 如圖3所示，橫坐標(biāo)為權(quán)重α的取值.

圖3 用戶屬性系數(shù)對(duì)應(yīng)的MAE值

由圖3可知，當(dāng)α=0.5,β=0.1,γ=0.4時(shí)，取得的平均絕對(duì)誤差(MAE)比其他值都要小，因此設(shè)定α=0.5,β=0.1,γ=0.4為用戶各屬性的權(quán)重系數(shù).

實(shí)驗(yàn)3. 用戶屬性與皮爾遜相似度的調(diào)參

將用戶屬性相似度與皮爾遜相似度相融合得到用戶屬性綜合相似度simp(u,v). 設(shè)權(quán)重系數(shù)ξ∈[0,1]，增量為0.1，然后計(jì)算不同權(quán)重對(duì)應(yīng)的MAE. 如圖4所示，橫坐標(biāo)為權(quán)重ξ的取值.

圖4 系數(shù)對(duì)應(yīng)的MAE值

由圖4可知，當(dāng)ξ=0.8時(shí)，用戶屬性綜合相似度取得的MAE比其他值都要小，因此設(shè)定ξ=0.8為用戶屬性的權(quán)重系數(shù).

實(shí)驗(yàn)4. 融合興趣相似度與用戶屬性相似度

將興趣相似度和用戶屬性綜合相似度融合得到屬性興趣相似度simz(u,v). 設(shè)權(quán)重系數(shù)δ∈[0,1]，增量為0.1，然后計(jì)算不同權(quán)重對(duì)應(yīng)的MAE. 如圖5所示，橫坐標(biāo)為權(quán)重δ的取值.

圖5 興趣相似度系數(shù)對(duì)應(yīng)的MAE值

由圖5可知，當(dāng)δ=0.5時(shí)，屬性興趣相似度取得的MAE比其他值都要小，因此設(shè)定δ=0.5為屬性興趣相似度的權(quán)重系數(shù).

實(shí)驗(yàn)5. 確定信任度傳遞的閾值

如果在兩用戶間信任度很低時(shí)再進(jìn)行信任度傳遞，會(huì)造成推薦結(jié)果的失真. 對(duì)于這種情況，本文設(shè)定信任度閾值為μ∈[0,1]，增量為0.1，然后計(jì)算不同閾值μ對(duì)應(yīng)的MAE. 如圖6所示，橫坐標(biāo)為權(quán)重μ的取值.

圖6 信任度閾值μ對(duì)應(yīng)的MAE值

由圖6可知，當(dāng)閾值μ=0.8時(shí)，間接信任相似度取得的MAE比其他值都要小，因此當(dāng)μ=0.8時(shí)進(jìn)行信任度的傳遞.

實(shí)驗(yàn)6 不同推薦算法的對(duì)比實(shí)驗(yàn)

本實(shí)驗(yàn)選取傳統(tǒng)的基于余弦相似性的協(xié)同過(guò)濾算法(UCB-CF)、基于皮爾遜相似性的協(xié)同過(guò)濾算法(UPB-CF)、文獻(xiàn)[11]提出的用戶特征的協(xié)同過(guò)濾算法和本文提出的基于用戶特征的協(xié)同過(guò)濾算法做對(duì)比，四種方法的最近鄰用戶取值區(qū)間均為[5，50]，增量為5，則MAE的結(jié)果如圖7所示.

圖7 MAE值比較

由圖7可知，當(dāng)用戶最近鄰個(gè)數(shù)在[5，50]之間變化時(shí)，四種推薦算法的MAE都逐漸下降，但本文提出的基于用戶特征的協(xié)同過(guò)濾算法在融合用戶屬性、興趣度和信任度之后，得到的平均絕對(duì)誤差都比其他三種算法要小，推薦質(zhì)量要好.

4 結(jié)論與展望

通過(guò)分析傳統(tǒng)協(xié)同過(guò)濾算法的問(wèn)題，本文綜合考慮提出了一種融合用戶屬性、用戶興趣度和信任度的基于用戶特征的協(xié)同過(guò)濾推薦算法. 通過(guò)分析對(duì)比實(shí)驗(yàn)證明，本文提出的算法在一定程度上能改善新用戶的冷啟動(dòng)、數(shù)據(jù)稀疏性和推薦準(zhǔn)確性等問(wèn)題，有效的提高了推薦質(zhì)量. 接下來(lái)的工作還要研究用戶興趣隨時(shí)間變化對(duì)興趣度的影響，此外，如何獲取信任模型中更好的傳遞規(guī)則也是需要繼續(xù)深入研究的課題.