第３７卷第６期２０１０年６月

计算机科学

Ｃｏｍｐｕｔｅｒ

Ｓｃｉｅｎｃｅ

Ｖ０１．３７Ｎｏ．６Ｊｕｎｅ２０１０

一种改进的协同过滤推荐算法

王茜王均波

（重庆大学计算机学院

重庆４０００４４）

摘要传统的协同过滤算法在寻找最近邻居集合时没有考虑时间因素的影响，仅从用户或者项目单方面出发计算用户或者项目的相似性以产生推荐结果，也忽略了用户特征对推荐的影响。针对上述问题，引入时间遗忘函数、黏度函数、用户特征向量，对协同过滤算法寻找用户的最近邻居集合过程进行了改进，体现了时间效应、用户偏好程度和用户特征。采用ＭｏｖｉｅＬｅｎｓ数据集进行了一系列对比实验，结果表明，改进后的算法能够明显提高推荐的准确度。关键词协同过滤，时间效应，用户偏好度，用户特征向量

ＩｍｐｒｏｖｅｄＣｏｌｌａｂｏｒａｔｉｖｅＦｉｌｔｅｒｉｎｇＲｅｃｏｍｍｅｎｄａｔｉｏｎＡｌｇｏｒｉｔｈｍ

ＷＡＮＧＱｉａｎ

ＷＡＮＧＪｕｎ－ｂｏ

（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｐｇ４０００４４，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔⅥｍｅｎ

ｓｅａｒｃｈｉｎｇｔｈｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓｅｔ，ｔｈｅｔｒａｄｉｔｉｏｎａｌｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｉｇｎｏｒｅｓｔｈｅｉｍｐａｃｔｏｆ

ｕｓｅｒ

ｔｈｅｔｉｍｅｆａｃｔｏｒ，ｏｎｌｙｆｒｏｍｔｈｅ

ｔｈｅ

ｏｒ

ｉｔｅｍｔａｋｅｓｉｎｔｏ

ａｃｃｏｕｎｔ

ｔｈｅｓｉｍｉｌａｒｉｔｙｏｆｔｈｅ

ｔｏ

ｕｓｅｒｏｒ

ｉｔｅｍｕｎｉｌａｔｅｒａｌｌｙ，ａｎｄｉｇｎｏｒｅｓ

ｉｍｐａｃｔｏｆ

ｕｓｅｒ

ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ

ｏｎ

ｒｅｃｏｍｍｅｎｄａｔｉｏｎ．Ａｉｍｉｎｇ

ｕｓｅｒ

ｔｈｅａｂｏｖｅｐｒｏｂｌｅｍｓ，ｗｅｉｎｔｒｏｄｕｃｅｄｔｈｅｔｉｍｅｆｏｒｇｏｔｔｅｎ

ｕｓｅｒ’Ｓ

ｆｕｎｃｔｉｏｎ，ｒｅ．ｓｏｕｒｃｅｓｖｉｓｃｏｓｉｔｙｆｕｎｃｔｉｏｎａｎｄｔｈｅ

ｎｅｉｇｈｂｏｒｏｇｙ

ｏｎ

ｆｅａｔｕｒｅｖｅｃｔｏｒ，ａｎｄｉｍｐｒｏｖｅｄｔｈｅｐｒｏｃｅｓｓｏｆｆｉｎｄｉｎｇｔｈｅｐｒｅｆｅｒｅｎｃｅｓａｎｄ

ｕｓｅｒ

ｎｅａｒｅｓｔ

ｓｅｔ，ｒｅｆｌｅｃｔｅｄｔｈｅｔｉｍｅｅｆｆｅｃｔ，ｄｅｇｒｅｅｏｆ

ｓｅｔ

ｕｓｅｒ

ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｎｄｔｅｓｔｅｄｔｈｉｓｎｅｗｍｅｔｈｏｄｏｌ—

ｃａｎ

ｄａｔａ

ｇｏｔ

ｆｒｏｍＭｏｖｉｅＬｅｎｓ．Ｔｈｅｒｅｓｕｌｔｓｏｆｅｘｐｅｒｉｍｅｎｔｓｈｏｗｔｈａｔｐｒｏｐｏｓｅｄｍｅｔｈｏｄ

ｉｍｐｒｏｖｅ

ｔｈｅａｃｃｕｒａｃｙｏｆ

ｔｈｅｐｒｅｄｉｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ

Ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ，Ｔｉｍｅｅｆｆｅｃｔ，Ｕｓｅｒ

ｐｒｅｆｅｒｅｎｃｅ

ｄｅｇｒｅｅ，Ｕｓｅｒｃｈａｒａｃｔｅｒｉｓｔｉｃ

１

引言

随着网络的普及，网络资源不断丰富，网络信息量不断膨

特征的人其兴趣爱好可能不同，而同一类别的人的兴趣爱好则具有一定的相似性。所以，在寻找目标用户的最近邻居时，用户特征也是一个不容忽视的因素，但在传统的协同过滤算法中并没有体现出这一点［２，８，９３。

针对上述问题，在传统协同过滤算法的基础上，论文引入时间遗忘函数、黏度函数、用户特征向量，提出了一种适应用户兴趣变化和基于用户特征的个性化推荐算法，改进了寻找最近邻居集合的过程，综合考虑了时间效应、用户特征和用户偏好程度，提高了推荐的准确性。

胀。用户要在众多的选择中挑选出自己真正需要的信息好比大海捞针。个性化推荐系统应运而生，它为不同用户提供不同的服务，以满足不同的需求，带来了由“人找信息”到“信息找人”的转变。常用的推荐方法有基于内容的推荐、基于知识的推荐、协同过滤推荐以及组合推荐等［１］，其中协同过滤推荐是迄今为止应用最成功的个性化推荐技术之一［２］，其基本思想是：通过计算用户对项目评分之问的相似性，搜索目标用户的最近邻居，然后根据最近邻居的评分向目标用户产生推荐嘲。

现有的协同过滤推荐算法存在下列问题：①只考虑了用户或项目间的相似性，忽略了用户兴趣的动态变化陪５。。现实生活中，用户对商品的喜好会随着时间的推移发生改变。传统的协同过滤算法利用用户一项目评分矩阵来进行推荐计算，未考虑用户访问项目的具体时间，未反映用户兴趣随时间的变化过程，当用户兴趣发生改变时，现有的推荐系统不能及时反应，从而导致系统推荐的项目偏离了用户的真实喜好。②仅从用户或项目单方面出发，只考虑了用户或者项目单方面的相似性，而实际上用户可能喜欢相似用户所购买的商品，也可能喜欢非相似用户所购买商品的相似商品［１一’７］。③不同

到稿日期：２００９－０７—１４返修日期：２００９－０９－２７

２传统协同过滤算法

协同过滤推荐技术是当前最成功的推荐技术之一［ｚ，ｉ０３，典型的协同过滤算法是基于用户的。协同过滤推荐算法的实现过程分为３步：建立用户模型、寻找最近邻居和产生推荐项

目。

’

①建立用户模型：协同过滤算法的输入数据通常表示为一个ｍ＊行的用户一评价矩阵Ｒ，ｍ是用户数，咒是项目数，＾．ｉ表示第ｕ个用户对第ｉ项的评价值。通常采用５级评分的办法，评分越高表明该用户对该项目的兴趣越大。

②寻找最近邻居：在这一阶段，主要完成对目标用户最近邻居的查找。通过计算目标用户与其他用户之闻的相似度，找出与目标用户最相似的“最近邻居”集。即：对目标用户Ｍ，

本文受重庆市自然基金项目（ＣＳｌ℃２００９ＢＢ２０４６）资助。

王茜女，博士，副教授，主要研究方向为电子商务、网络安全｝王均波男，硕士生，主要研究方向为电子商务、计算机网络与通信。 ２２６

万方数据