姜書浩，張立毅，周 娜

(1.天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072； 2.天津商業(yè)大學(xué)信息工程學(xué)院，天津 300134)

0 引 言

推薦系統(tǒng)在過(guò)去的十年中已經(jīng)成為強(qiáng)大的工具，用戶通過(guò)它可以根據(jù)自己的偏好瀏覽海量信息[1]，同時(shí)有效地提高了使用的滿意度和忠誠(chéng)度。個(gè)性化推薦系統(tǒng)目的是為用戶推薦可能感興趣的信息或物品(如音樂(lè)、電影、書籍等)，并且已經(jīng)廣泛地應(yīng)用于電子商務(wù)、社交、新聞以及電子學(xué)習(xí)等領(lǐng)域[2]。

推薦系統(tǒng)最常用的2種方法是基于內(nèi)容的推薦和協(xié)同過(guò)濾推薦。基于內(nèi)容推薦根據(jù)用戶已經(jīng)評(píng)分的項(xiàng)目?jī)?nèi)容推斷出用戶的個(gè)人偏好信息，并根據(jù)對(duì)項(xiàng)目的特征描述和用戶偏好特征向用戶推薦可能感興趣的項(xiàng)目[3]，因此基于內(nèi)容的推薦依賴于對(duì)項(xiàng)目和用戶的描述性數(shù)據(jù)。而協(xié)同過(guò)濾推薦不依賴于項(xiàng)目的顯示特征描述，它根據(jù)與其興趣相似的用戶已評(píng)分項(xiàng)目來(lái)預(yù)測(cè)用戶的偏好。近些年來(lái)協(xié)同過(guò)濾技術(shù)得到了更加廣泛的應(yīng)用，但是仍然存在稀疏性、可擴(kuò)展性以及過(guò)度擬合等問(wèn)題。

首先，協(xié)同過(guò)濾技術(shù)最大的特點(diǎn)在于它僅僅依據(jù)用戶對(duì)項(xiàng)目的評(píng)分，完全獨(dú)立于所推薦項(xiàng)目的具體類別。所以采用協(xié)同過(guò)濾技術(shù)進(jìn)行推薦的項(xiàng)目往往是分值較高的項(xiàng)目，而內(nèi)容可能與用戶期望獲得的推薦大相徑庭。例如，向某個(gè)特定用戶推薦劇情類電影，結(jié)果計(jì)算出k個(gè)評(píng)分最相似的電影，但類型可能完全不同。也就是說(shuō)，協(xié)同過(guò)濾技術(shù)中的相似度計(jì)算僅僅依賴于用戶對(duì)項(xiàng)目的評(píng)分，而預(yù)測(cè)項(xiàng)目?jī)?nèi)容可能與已評(píng)分項(xiàng)目毫無(wú)關(guān)聯(lián)。

其次，傳統(tǒng)的協(xié)同過(guò)濾方法假設(shè)用戶偏好是固定不變的，忽略了用戶興趣隨時(shí)間的變化。例如，一位電子商務(wù)專業(yè)的本科生在高中時(shí)對(duì)歷史書的評(píng)價(jià)很高，但是隨著他進(jìn)入大學(xué)后對(duì)歷史書的評(píng)價(jià)可能有很大的變化。因此，大多數(shù)研究工作中對(duì)新數(shù)據(jù)的分析要比相對(duì)陳舊的數(shù)據(jù)分析更為重要[4]，當(dāng)然，僅僅考慮最新的數(shù)據(jù)也不能對(duì)用戶偏好進(jìn)行完整的描述。

本文主要通過(guò)引入項(xiàng)目類別信息來(lái)改進(jìn)現(xiàn)有的協(xié)同過(guò)濾算法，并根據(jù)時(shí)間為每個(gè)項(xiàng)目評(píng)分設(shè)定不同的權(quán)重值，反映用戶偏好隨時(shí)間的變化。該算法使用與預(yù)測(cè)項(xiàng)目類別相關(guān)的項(xiàng)目計(jì)算相似性值，以產(chǎn)生更好地反映真實(shí)偏好的近鄰集合。同時(shí)算法還設(shè)定了2個(gè)權(quán)重計(jì)算的原則：如果歷史的評(píng)分?jǐn)?shù)據(jù)不是周期性的，那么用戶最近的數(shù)據(jù)值比早期的數(shù)據(jù)值權(quán)重更高；用戶早期感興趣的項(xiàng)目評(píng)分分值的權(quán)重適當(dāng)減弱，而近期和周期的評(píng)分分值權(quán)重適當(dāng)提高。

1 研究背景

協(xié)同過(guò)濾算法目前是個(gè)性化推薦使用最廣泛的方法，很多優(yōu)化和改進(jìn)的算法被用來(lái)解決個(gè)性化推薦中的稀疏性、可擴(kuò)展性以及運(yùn)算復(fù)雜度等問(wèn)題[5-8]。Chakraborty[9]采用k-中心點(diǎn)對(duì)用戶和項(xiàng)目進(jìn)行聚類，來(lái)解決計(jì)算復(fù)雜度的問(wèn)題。Yang等[10]提出了一種基于項(xiàng)目聚類預(yù)測(cè)的協(xié)同過(guò)濾方法，提高了推薦算法的可擴(kuò)展性。Acilar等[11]提出了一種基于人工免疫網(wǎng)絡(luò)算法的協(xié)同過(guò)濾模型，解決了稀疏性和可擴(kuò)展性的問(wèn)題。上述的研究在進(jìn)行相似性計(jì)算時(shí)考慮了項(xiàng)目類別帶來(lái)的影響，但是忽視了時(shí)間因素對(duì)協(xié)同過(guò)濾的影響。

在協(xié)同過(guò)濾算法中，相似性計(jì)算是影響推薦質(zhì)量的一個(gè)關(guān)鍵因素，它可以對(duì)系統(tǒng)的整體性能和推薦結(jié)果產(chǎn)生重大影響[12]。用戶偏好的相似性計(jì)算是生成最近鄰的最重要的方法，但是用戶的偏好會(huì)隨時(shí)間的變化而變化，因此對(duì)用戶進(jìn)行相似性計(jì)算時(shí)應(yīng)該考慮時(shí)間因素的影響。一些研究在用戶偏好的計(jì)算中考慮了時(shí)間因素的影響[13-15]，另外一些研究通過(guò)動(dòng)態(tài)的方法預(yù)測(cè)用戶的偏好變化。Liu等[16]通過(guò)關(guān)鍵詞查詢圖來(lái)表達(dá)用戶的動(dòng)態(tài)搜索，采用非線性逐步遺忘協(xié)同過(guò)濾算法，顯示了用戶的偏好隨時(shí)間的動(dòng)態(tài)變化。Xiong等[17]建立用戶-項(xiàng)目-時(shí)間三維向量，利用向量分解的方式研究用戶行為的動(dòng)態(tài)變化。Huang等[18]提出了一種加入時(shí)間衰減序列模式的新的協(xié)同推薦方法來(lái)準(zhǔn)確地模擬和預(yù)測(cè)客戶的購(gòu)買模式。Koren[19]通過(guò)將時(shí)間序列分段聚類，將每個(gè)分類作為一個(gè)隱狀態(tài)得到狀態(tài)轉(zhuǎn)移概率矩陣，建立關(guān)于分段的隱馬爾科夫模型，對(duì)用戶的未來(lái)行為狀態(tài)進(jìn)行預(yù)測(cè)。Jeon等[20]提出了一種自適應(yīng)的用戶分析方法，該方法根據(jù)用戶的喜好隨著時(shí)間推移和區(qū)域變化動(dòng)態(tài)的更新策略。

用戶偏好相似性計(jì)算的依據(jù)是用戶對(duì)不同項(xiàng)目的評(píng)分，但是用戶在不同時(shí)間階段的評(píng)分對(duì)于用戶當(dāng)前偏好狀態(tài)的影響權(quán)重也應(yīng)各不相同。涉及時(shí)間因素的評(píng)價(jià)分為3種：近期評(píng)分、早期評(píng)分和周期性評(píng)分。上述研究成果關(guān)于時(shí)間的影響研究都是片面的，本文提出的基于用戶偏好動(dòng)態(tài)變化的協(xié)同過(guò)濾推薦算法，在基于項(xiàng)目類別的基礎(chǔ)上，對(duì)3種時(shí)間因素相關(guān)的評(píng)分對(duì)個(gè)性化推薦的影響進(jìn)行了深入研究。

2 基于偏好動(dòng)態(tài)變化的協(xié)同過(guò)濾算法

協(xié)同過(guò)濾方法分為基于模型的協(xié)同過(guò)濾和基于記憶的協(xié)同過(guò)濾這2種方式。基于模型的算法首先通過(guò)構(gòu)建用戶評(píng)分模型來(lái)提供項(xiàng)目推薦。模型可以用貝葉斯網(wǎng)絡(luò)、聚類以及基于規(guī)則方法等建立[21]?；谟洃浀膮f(xié)同過(guò)濾算法利用整個(gè)用戶項(xiàng)目數(shù)據(jù)集來(lái)生成預(yù)測(cè)，分為基于用戶的方法和基于項(xiàng)目的方法。

協(xié)同過(guò)濾系統(tǒng)的目標(biāo)是提高用戶的推薦質(zhì)量。目前的協(xié)同過(guò)濾系統(tǒng)的主要依據(jù)用戶顯式或隱式的數(shù)據(jù)，并基于用戶(項(xiàng)目)的最近鄰預(yù)測(cè)用戶的偏好。然而，現(xiàn)實(shí)世界中的用戶興趣隨時(shí)間的動(dòng)態(tài)變化將導(dǎo)致系統(tǒng)偏離用戶需求。本文提出一種改進(jìn)的基于項(xiàng)目的協(xié)同過(guò)濾算法，其前提假設(shè)是用戶的興趣并不是固定不變的，它隨著時(shí)間的變化而變化。該算法將項(xiàng)目評(píng)分時(shí)間引入權(quán)重函數(shù)，每個(gè)分值的權(quán)重根據(jù)時(shí)間確定，時(shí)間較遠(yuǎn)的評(píng)分?jǐn)?shù)據(jù)權(quán)重較低，時(shí)間較新的評(píng)分和周期性的評(píng)分權(quán)重較高。

2.1 建立矩陣

建立項(xiàng)目評(píng)分矩陣用于發(fā)現(xiàn)項(xiàng)目之間的相似性。任何物品如書籍、視頻等內(nèi)容計(jì)算機(jī)都很難自動(dòng)進(jìn)行分析，算法首先基于項(xiàng)目的屬性對(duì)項(xiàng)目進(jìn)行分類。例如，在電影分類中，根據(jù)每部電影的內(nèi)容類型可以將電影分為動(dòng)作、戲劇、喜劇、動(dòng)畫等類型。通過(guò)這種方式將項(xiàng)目和用戶分成子矩陣，每個(gè)子矩陣是由屬于類型g和至少對(duì)該類型電影進(jìn)行過(guò)一次評(píng)分的用戶組成，稱之為類型g的子矩陣：

其中，ng是屬于類別g的項(xiàng)目的數(shù)目，mg是至少評(píng)價(jià)了一個(gè)類別g的項(xiàng)目的用戶數(shù)目，Ru,i是用戶u對(duì)項(xiàng)目i的評(píng)分。

2.2 生成鄰居集合

最近鄰集的產(chǎn)生最重要的是計(jì)算項(xiàng)目之間的相似性。該算法相似性的計(jì)算是基于與預(yù)測(cè)項(xiàng)目種類相關(guān)的項(xiàng)目，不是所有項(xiàng)目。子矩陣Ag(g=1,…,G)中，使用皮爾森相關(guān)系數(shù)計(jì)算項(xiàng)目i和項(xiàng)目j(i=j，j=1，…，ng)之間的相似性權(quán)重，如公式(1)[21]：

(1)

2.3 預(yù)測(cè)評(píng)分

在計(jì)算項(xiàng)目i與類別g中每一個(gè)項(xiàng)目的相似性權(quán)重之后，用戶u對(duì)未評(píng)分項(xiàng)目i的預(yù)測(cè)評(píng)分可以通過(guò)公式(2)計(jì)算得出。

(2)

(3)

其中，α為時(shí)間權(quán)重，計(jì)算公式為式(4)；β為重要性權(quán)重，計(jì)算公式為式(6)；γ為評(píng)分率權(quán)重，計(jì)算公式為式(7)。將3個(gè)權(quán)重值α、β和γ相結(jié)合為權(quán)重函數(shù)。當(dāng)α=1，β=1和γ=1時(shí)，f(u,i)的計(jì)算結(jié)果為1，所以權(quán)重函數(shù)的取值范圍為[0,1]，Ru(td)表示用戶u在td時(shí)間的評(píng)分。

(4)

時(shí)間權(quán)重α是一種具有指數(shù)形式的單調(diào)遞減函數(shù)，用來(lái)表示用戶興趣隨時(shí)間的變化。α∈[0，1]，Itr為用戶2次連續(xù)評(píng)分之間的平均間隔時(shí)間，其中t由公式(5)計(jì)算得出。

(5)

式(5)中，t0表示用戶最后一次評(píng)分的時(shí)間，td表示用戶u對(duì)子矩陣Ag的項(xiàng)目最后評(píng)分時(shí)間。

(6)

重要性權(quán)重β表示類別g對(duì)于用戶u的重要性，β∈[0，1]。Sug為用戶u對(duì)屬于Ag的項(xiàng)目的評(píng)分之和，Su為用戶u的評(píng)分總和。

(7)

評(píng)分率權(quán)重γ∈[0，1]，其中Nug表示用戶u對(duì)屬于Ag且評(píng)過(guò)分的項(xiàng)目的數(shù)目；Nu表示用戶u評(píng)分過(guò)的項(xiàng)目的總數(shù)。

2.4 權(quán)重參數(shù)選擇

用戶的偏好會(huì)隨著時(shí)間而變化。一個(gè)很久以前對(duì)某個(gè)項(xiàng)目或者內(nèi)容感興趣的用戶現(xiàn)在可能對(duì)同一個(gè)項(xiàng)目毫不在意，因?yàn)樗呐d趣偏好已經(jīng)轉(zhuǎn)移到別的項(xiàng)目上去了。在用戶的興趣不斷變化的背景下，較近的時(shí)間段的評(píng)分通常比較早期時(shí)間的評(píng)分更能反映用戶當(dāng)前的興趣偏好，也更加重要。當(dāng)前時(shí)間與最后一次評(píng)價(jià)同一類別項(xiàng)目的時(shí)間之間的間隔就顯得非常重要了，因此引入權(quán)重函數(shù)，換句話說(shuō)，就是衡量屬于目標(biāo)類別的項(xiàng)目有多長(zhǎng)時(shí)間沒(méi)有被評(píng)分了。該值很小也就是時(shí)間很短，表明用戶對(duì)這樣的項(xiàng)目還是有很大的興趣，當(dāng)然，在某些環(huán)境下或者因?yàn)槟承┰颍脩粢驗(yàn)殚L(zhǎng)時(shí)間不使用該網(wǎng)站(系統(tǒng))造成這樣的情況，這并不意味著用戶對(duì)這些項(xiàng)目失去了興趣，僅僅是因?yàn)橛脩暨@段時(shí)間沒(méi)有評(píng)價(jià)過(guò)該項(xiàng)目而已。

另一方面，人們通常有不同的習(xí)慣。有些用戶對(duì)電影更感興趣，所以經(jīng)常花時(shí)間看電影，而其他人可能很長(zhǎng)時(shí)間才看一場(chǎng)電影。例如，2個(gè)用戶，第一個(gè)每天看好幾部電影，而第二個(gè)每個(gè)月才看一部電影。在這種情況下，對(duì)于第一個(gè)用戶來(lái)說(shuō)一個(gè)月前看到的電影已經(jīng)是非常久遠(yuǎn)的了，對(duì)于第二個(gè)用戶來(lái)說(shuō)時(shí)間是最近的。也就是說(shuō)，周期長(zhǎng)度是每個(gè)人的相對(duì)值，因此公式(5)中需要將(t0-td)值除以目標(biāo)用戶連續(xù)2次評(píng)分之間平均時(shí)間間隔。

此外，最近被評(píng)分的項(xiàng)目并不一定意味著用戶對(duì)其有特殊偏好，也有可能是用戶最近對(duì)其進(jìn)行了低評(píng)。區(qū)分一個(gè)項(xiàng)目最近被用戶評(píng)分還是低評(píng)，權(quán)重函數(shù)計(jì)算時(shí)考慮了最后一次評(píng)分的分值(Ru(td))。例如，僅考慮時(shí)間權(quán)重α作為權(quán)重函數(shù)，不考慮β與γ的值，假設(shè)項(xiàng)目i和項(xiàng)目j在t=1時(shí)的評(píng)分分別是0和5，則對(duì)應(yīng)的權(quán)重函數(shù)分別是0.367和0.846，可以看出評(píng)分值對(duì)權(quán)重函數(shù)的結(jié)果有較大的影響，也就意味著權(quán)重函數(shù)能正確反映評(píng)分值的高低。

根據(jù)上述研究，可以看出時(shí)間權(quán)重增加了用戶近期行為的影響，降低了用戶歷史偏好行為的影響，同時(shí)考慮了用戶的偏好特征(Ru(td))和行為習(xí)慣((t0-td)的平均評(píng)價(jià)周期)。有些用戶的偏好是有周期性的，因此如果有人長(zhǎng)期不評(píng)價(jià)某一類別的項(xiàng)目，并不一定意味著他不會(huì)再去選擇這類項(xiàng)目。重要性權(quán)重和評(píng)分率權(quán)重都考慮了用戶周期性偏好的問(wèn)題。

為了處理用戶偏好隨時(shí)間變化的情況，本文引入一種新的不依賴于任何閾值的權(quán)重函數(shù)，同時(shí)考慮α、β和γ，也就是通過(guò)公式(3)計(jì)算權(quán)重函數(shù)。

2.5 基于權(quán)重函數(shù)的協(xié)同過(guò)濾算法

輸入：用戶項(xiàng)目矩陣A，時(shí)間戳矩陣B和項(xiàng)目類別集C。

輸出：預(yù)測(cè)用戶項(xiàng)目矩陣P。

算法過(guò)程：

1)將矩陣A根據(jù)項(xiàng)目類別C劃分為g次矩陣Ag(g=1,…,G)。

2)根據(jù)公式(1)計(jì)算生成目標(biāo)項(xiàng)目子矩陣Ag的近鄰集合。

3)根據(jù)公式(3)和矩陣B計(jì)算目標(biāo)項(xiàng)目的權(quán)重函數(shù)。

4)根據(jù)公式(2)計(jì)算預(yù)測(cè)用戶項(xiàng)目矩陣P。

5)回歸預(yù)測(cè)用戶項(xiàng)目矩陣P。

3 實(shí)驗(yàn)與結(jié)論

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用的數(shù)據(jù)集是公開(kāi)的數(shù)據(jù)集MovieLens的子集。MovieLens數(shù)據(jù)集包含943個(gè)用戶對(duì)1682部電影的100000個(gè)評(píng)分?jǐn)?shù)據(jù)，評(píng)分的范圍為1～5，用戶集是隨機(jī)選擇至少為20部電影評(píng)過(guò)分的用戶。將數(shù)據(jù)子集劃分為80%的訓(xùn)練集和20%的測(cè)試集。

電影信息包含在電影文件中，類型主要分為：動(dòng)作、冒險(xiǎn)、動(dòng)畫、兒童、喜劇、犯罪、紀(jì)錄片、戲劇、幻想、黑色電影、恐怖、音樂(lè)、神秘、浪漫、科幻、驚悚片、戰(zhàn)爭(zhēng)和西部。

3.2 評(píng)價(jià)指標(biāo)

平均絕對(duì)誤差(MAE)是一種被廣泛使用的度量方法，它通過(guò)比較測(cè)試數(shù)據(jù)集中對(duì)用戶推薦項(xiàng)目的預(yù)測(cè)分值與實(shí)際用戶評(píng)分的誤差情況來(lái)反映推薦的準(zhǔn)確性[22-24]。MAE首先計(jì)算N個(gè)相應(yīng)的評(píng)分預(yù)測(cè)對(duì)的絕對(duì)誤差，然后計(jì)算平均值。MAE越低，推薦系統(tǒng)預(yù)測(cè)用戶評(píng)分的準(zhǔn)確性就越高。

3.3 實(shí)驗(yàn)結(jié)果

1)類別因素在皮爾森相關(guān)度量中的影響。

在第一個(gè)實(shí)驗(yàn)中，在相似性計(jì)算中采用皮爾森相關(guān)系數(shù)與考慮項(xiàng)目類別因素這2種方法進(jìn)行比較，結(jié)果如圖1所示。顯然，采用考慮類別因素計(jì)算相似性可以有效提高協(xié)同過(guò)濾的預(yù)測(cè)準(zhǔn)確性。傳統(tǒng)的協(xié)同過(guò)濾使用所有鄰居項(xiàng)目，其中包括內(nèi)容上與目標(biāo)項(xiàng)目毫無(wú)關(guān)系的項(xiàng)目，而本文提出的方法僅僅考慮與預(yù)測(cè)項(xiàng)目種類相關(guān)的項(xiàng)目。類別屬性的引入意味著預(yù)測(cè)的基礎(chǔ)是相似性計(jì)算僅考慮內(nèi)容相似的鄰居的評(píng)分。

圖1 皮爾森相關(guān)系數(shù)與考慮項(xiàng)目類別因素的MAE對(duì)比

2)時(shí)間權(quán)重對(duì)準(zhǔn)確性的影響。

實(shí)驗(yàn)中，對(duì)采用時(shí)間權(quán)重與無(wú)時(shí)間權(quán)重的協(xié)同過(guò)濾算法進(jìn)行比較，結(jié)果如圖2所示，系統(tǒng)的預(yù)測(cè)準(zhǔn)確性隨著時(shí)間權(quán)重參數(shù)個(gè)數(shù)的增加而逐步提高。當(dāng)相似性值大于等于0.4，且權(quán)重函數(shù)僅考慮評(píng)分時(shí)間的遠(yuǎn)近問(wèn)題，此時(shí)權(quán)重函數(shù)為公式(8)，通過(guò)對(duì)歷史數(shù)據(jù)降低權(quán)重來(lái)減少歷史偏好的影響，提高了預(yù)測(cè)準(zhǔn)確性。原因是用戶的興趣隨著時(shí)間的推移而變化，最近的項(xiàng)目評(píng)分在預(yù)測(cè)當(dāng)前用戶的偏好項(xiàng)目方面可能起到更重要的作用，而早期的評(píng)分?jǐn)?shù)據(jù)對(duì)最終推薦的貢獻(xiàn)度相對(duì)較小。

f(u,i)=e-(t0-td)

(8)

如果最后一次評(píng)分項(xiàng)目的類別與目標(biāo)項(xiàng)目類別相同，則權(quán)重函數(shù)為公式(9)，預(yù)測(cè)準(zhǔn)確率進(jìn)一步提高，因?yàn)樽罱u(píng)分的項(xiàng)目如果得分較高的話，這說(shuō)明用戶目前對(duì)這類項(xiàng)目有很高的興趣偏好。

(9)

雖然前面介紹了評(píng)價(jià)時(shí)間(t0-td)對(duì)系統(tǒng)推薦質(zhì)量的影響，但是這一指標(biāo)具有個(gè)體差異性，所以有必要通過(guò)評(píng)分的平均時(shí)間間隔來(lái)考慮每個(gè)用戶的行為習(xí)慣。此時(shí)權(quán)重函數(shù)為公式(10)，其中t由公式(5)計(jì)算得出，從圖2可以看出，通過(guò)引入評(píng)價(jià)時(shí)間和平均評(píng)價(jià)周期后，在不同相似性值的情況下，MAE值均顯著低于傳統(tǒng)方法。

圖2 權(quán)重函數(shù)不同情況下與傳統(tǒng)協(xié)同過(guò)濾的MAE對(duì)比

f(u,i)=e-t

(10)

最后，從圖2中可以看出，如果權(quán)重函數(shù)采用時(shí)間權(quán)重α，系統(tǒng)的預(yù)測(cè)準(zhǔn)確性會(huì)進(jìn)一步提高，這是因?yàn)槿绻脩糇罱脑u(píng)價(jià)是積極的，時(shí)間權(quán)重函數(shù)將增加對(duì)用戶最近行為的考量。

3)重要性權(quán)重和評(píng)分率權(quán)重對(duì)預(yù)測(cè)準(zhǔn)確性的影響。

實(shí)驗(yàn)中將重要性權(quán)重和評(píng)分率權(quán)重的方法與無(wú)權(quán)重的方法進(jìn)行比較，結(jié)果如表1所示，當(dāng)相似性值高于0.4時(shí)，單獨(dú)考慮2種權(quán)重方法的MAE值均優(yōu)于無(wú)權(quán)重函數(shù)的協(xié)同過(guò)濾的MAE值。原因是相同的，就是這2個(gè)加權(quán)函數(shù)為用戶經(jīng)常評(píng)價(jià)的項(xiàng)目提供了更多的推薦機(jī)會(huì)。

表1 3種方式的MAE對(duì)比

相似性值協(xié)同過(guò)濾重要性權(quán)重α評(píng)分率權(quán)重β00.8161.8121.7970.10.8211.7651.7010.20.8391.6491.5940.30.9621.4821.4650.41.2431.1881.1630.51.5020.9360.8920.61.9620.6680.6340.72.4680.4810.4700.82.7610.3900.389

4)與經(jīng)典的基于項(xiàng)目的協(xié)同過(guò)濾算法比較。

表2中顯示了傳統(tǒng)協(xié)同過(guò)濾、時(shí)間權(quán)重、重要性權(quán)重、評(píng)分率權(quán)重以及完整權(quán)重參數(shù)共5種情況下MAE的最佳結(jié)果。實(shí)驗(yàn)還比較了完整權(quán)重函數(shù)的協(xié)同過(guò)濾算法與經(jīng)典的基于項(xiàng)目的協(xié)同過(guò)濾算法。圖3顯示了完整權(quán)重與傳統(tǒng)協(xié)同過(guò)濾的推薦方法的比較，從相似值大于等于0.4開(kāi)始，相對(duì)于經(jīng)典的協(xié)同過(guò)濾能夠給出更高的推薦準(zhǔn)確度、更低的MAE值。融合了3個(gè)權(quán)重函數(shù)組合的推薦算法增加了用戶最近時(shí)期個(gè)人偏好的推薦權(quán)重，更真實(shí)地反映用戶當(dāng)前的興趣并滿足用戶的推薦需求。

表2 權(quán)函數(shù)中各參數(shù)最佳MAE結(jié)果的比較

傳統(tǒng)協(xié)同過(guò)濾f(u, i)=αf(u, i)=βf(u, i)=γf(u, i)=(α+β)2×γ0.8160.4810.390.3890.36

圖3 傳統(tǒng)協(xié)同過(guò)濾與完整權(quán)重函數(shù)的MAE對(duì)比

4 結(jié)束語(yǔ)

協(xié)同過(guò)濾算法在以往的研究中已經(jīng)通過(guò)各種各樣的算法得到改進(jìn)和優(yōu)化。本文在基于項(xiàng)目的協(xié)同過(guò)濾框架下，引入了一種不依賴于任何閾值的新的簡(jiǎn)單加權(quán)函數(shù)，考慮了項(xiàng)目類別因素和用戶興趣隨時(shí)間的變化，建立基于用戶偏好動(dòng)態(tài)變化的協(xié)同過(guò)濾推薦模型。通過(guò)實(shí)驗(yàn)驗(yàn)證，考慮用戶的行為習(xí)慣和周期性需求，新算法在推薦準(zhǔn)確性方面明顯優(yōu)于傳統(tǒng)的協(xié)同過(guò)濾算法。

近年來(lái)，時(shí)間信息在協(xié)同過(guò)濾中占有越來(lái)越重要的地位，而用戶偏好中的時(shí)間效應(yīng)在推薦中起著越來(lái)越重要的作用。本文只考慮了時(shí)間因素對(duì)于推薦準(zhǔn)確性的影響，下一步工作將重點(diǎn)研究時(shí)間因素對(duì)于推薦多樣性的影響。