ｌ计Ｉ

厦似租向

职业口，ｂ之间的相似度ｓｉｍｏ（ｎ，６），即：

ｏ（啪户ｓｉｒＴｌＤ（础）一ｊ警“薛６）

ｏ（“，口）＝ｓｉｒＴｌＤ（口，６）＝．｛Ｈ。’“”７

（５）

ｌｌ，

（口＝６）

例如在图２中，职业树的高度Ｈｏ＝４，对职业日和职业ｂ而言，最近共同父类为职业类Ａ，相应的Ｈ＾ｃｃ如，＝２，由此职业口，ｂ的相似度ｓｉｍｏ（口，６）＝Ｏ．５。

设用户“的性别为Ｓ。，用户口的性别为Ｓ。，则用户“，口在特征向量空间性别维的相似性Ｓ（ｕ，口）表示为：

ｓｃ“，。＝｛：：妻兰妻

ｃｅ，

设用户“的年龄为Ａ。，用户７．／的年龄为Ａ。，则用户“，ｕ

在特征向量空间年龄维的相似性Ａ（ｕ，ｕ）表示为：

舭徊户１志，Ａ—Ａ＞５

ｆ１，

Ａ—Ａ≤５

＠’

Ｌ

Ｉ［Ａ—Ａ］ｆ’几ｍ７。

用户乱和７．１在用户特征向量上的相似度ｓｉ弛（“，ｖ）通过

如下式来计算：

ｓｉｒｒｋ（乱，口）＝ｚＳ（ｕ，口）＋乱４（”，可）＋（１一Ｚ一艿）Ｃ）（扎，可）（８）

式中，ｘ，８为修正系数，分别影响性别、年龄和职业３个维在用户特征向量相似度上所起的作用。一般根据统计信息或者实验结果来调整其大小，不同的推荐系统，可以动态调整其值来优化推荐效果。３．４改进算法流程

把上述方法引入到传统的协同过滤推荐算法中，提出了一种改进后的协同过滤算法，通过遗忘函数对原始的用户一评价矩阵Ｒ按照评价时间进行修正，增加时间效应，突出用户近期评价数据对推荐的贡献，获得修正后的用户一评价矩阵Ｒ７。在传统用户相似度基础上，结合用户在用户特征向量空间上的相似度来构造用户的综合相似度，依据用户综合相似度大小获得用户的最近邻居集。改进后的推荐流程如图３所示。

ｌ信息收集，信忠处理ｌ——

｛

建立用户一评价矩阵

建立用户特征向高线

’

量矩阵

Ｉ建立修正用户一评价矩阵Ｉ

Ｔ

—

用麟棚户ｌ

●Ｉ

ｌ

●

ｌ计算用户综合相似度，ｌ

在线

获得用户邻居集合ｌ

●

Ｉ预测评分，产生推荐ｌ

图３改进算法流程图

输入：目标用户“，用户一评价矩阵Ｒ，用户特征向量矩阵ｙ输出：向目标用户ｕ进行推荐的ＴＯＰ－Ｎ推荐集

Ｓｅｔｐ

１建立修正用户一项目评分矩阵Ｒ７

对每个评分ｒｕ．ｉＥＲ，采用式（３）计算／“＝＾。ｉ×＾（“，￡），建立修正用户一项目评分矩阵Ｒ７。用户的兴趣在短期内是相对稳定的，修正用户一项目评分矩阵Ｒ７是可以离线生成的，间隔Ｔ周期更新。

Ｓｔｅｐ２计算用户特征向量上的相似度ｓｉｒｒｋ（“，口）在用户特征向量矩阵Ｖ上，采用式（８）计算目标用户１．１与用户在用户特征向量上的相似度ｓｉｒｎ。（“，口）。

万方数据

２２８

Ｓｔｅｐ３计算目标用户和候选用户原始相似度ｓｉｍ（ｕ，口）在修正用户一项目评分矩阵Ｒ７上，结合式（４）和皮尔森相

关系数法，计算目标用户和候选用户的原始相似度：

∑（／“一无）×（ｒ，“～瓦）Ｘｙ（ｕ，ｉ）

８ｉ瓜舶沪亨曩焉亏雨覆雨票可

＠’

’Ｖ

ｉ∈』删

‘∈Ｊ删

Ｓｔｅｐ４计算用户综合相似度，获取目标用户的邻居集合在Ｓｔｅｐ２和Ｓｔｅｐ３基础上，采用式（１０）计算目标用户与每个候选用户的复合相似度，同样采用Ｔｏｐ－Ｎ策略获取以个用户作为目标用户的邻居用户。

ｓｉｍ＇（ｕ，口）＝口ｓｉｍ（ｕ，口）＋（１一ａ）ｓ吼（ｔ‘，铆）

（１０）

Ｓｔｅｐ５进行预测评分，产生推荐

由ｓｔｅｐ４计算得到的邻居用户对目标用户未评分的项目进行预测评分，预测评分的计算以及推荐的产生仍然采用第

２节中介绍的方法。

４实验结果及分析

４．１

实验数据选取和度量标准

实验数据采用美国Ｍｉｎｎｅｓｏｔａ大学ＧｒｏｕｐＬｅｎｓ项目组提

供的Ｍｏｖｉｅｌｅｎｓ数据集。它包含了９４３名用户对１６８２部电影的评价，每个用户至少评价过２０部电影，评分值为１到５之间的整数，数值越高，表明用户对该电影的偏爱程度越高。

本文采用通常使用的平均绝对偏差ＭＡＥ作为准确性度量标准，采用推荐产生的平均消耗时间（ＭＣＴ）作为算法效率度量标准。ＭＡＥ通过计算预测的用户评分与实际的用户评分之间的偏差度量可知预测的准确性，ＭＡＥ越小，推荐质量越高。

设目标用户的预测评价集合为只＝（仇．ｔＩｉ—ｌ，２，…，以），对应的目标用户实际评价集合为Ｒ。＝（＾，ｔｉ＝１，２，…，砣）。对于每个不为零的预测一评价对＜Ｐ“，＾，ｚ＞，计算

∑（轧，ｆ一＾．ｆ）

ＭＡＥ＝生百厂＿

（１１）

式中，Ｌ为测试集内目标用户“的预测值和真实评价值都不

为０的项目集。４．２实验结果及分析

本文设计了４组实验，将改进算法与传统的协同过滤算法和基于时间改进型协同过滤算法［３］产生的推荐结果进行对

比。式（３）中的口，ｂ分别取２０，１／１０；式（８）中的ｚ，占分别取

０．２，０．５。

实验一测试遗忘函数中时间间隔Ｔ对推荐结果的影响，Ｔ分别取１０，１５，２０进行试验，结果如图４所示。

哺

∞

Ｉ｝＼一

∞嘀

｜吣≤兰苯。。

《

＝¨

，＼≤辽

％

ｌ＼≤≮：盯

ｌ—、、一

Ｔｈｅ

巨互夏三至互珂

Ｎｕｍｂｅｒ

ｏｆ

Ｎｅｉｇｈｂｏｒ

图４不同Ｔ值对推荐结果的影响

实验结果表明，不同Ｔ值对推荐准确度有一定的影响，过长或者过短都会对算法起到负面作用。当Ｔ＝１５时算法

（下转第２４３页）