ｉｎＶｉｒｕｓ－ＥｖｏｌｕｔｉｏｎａｒｙＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍＥＣ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎ

ＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ．ＩＣＥＣ．Ｍａｙ１９９６：１８２—１８７

［１０３ＫｕｂｏｔａＮ，ＡｒａｋａｗａＴ。ＦｕｋｕｄａＴ，ｅｔａ１．Ｆｕｚｚｙｍａｎｕｆａｃｔｕｒｉｎｇ

ｓｃｈｅｄｕｌｉｎｇｂｙｖｉｒｕｓ－ｅｖｏｌｕｔｉｏｎａｒｙｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｎｓｅｌｆ－ｏｒｇａｎ—ｉｚｉｎｇｍａｎｕｆａｃｔｕｒｉｎｇｓｙｓｔｅｍｉＣ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９７６ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌ

Ｃｏｎｆｅｒｅｎｃｅ

ｏｎ

ＦｕｓｓｙＳｙｓｔｅｍｓ。ＦＵＺＺ—ＩＥＥＥ’

（上接第２２８页）性能较佳。

实验二测试式（１１）中ａ取不同值对推荐准确度的影响，试验中口分别取０．７，０．８，０．９，如图５所示。

０∞＂

∞Ｌ兰

兽”Ｐ苫＂Ｌ

０．７＇５‘。。。一＂Ｌ＿％

‰＆矗遗“ｏ””匡三垂三三亘匿三囹

图５不同ａ取值对推荐准确度的影响图

从图５可以看出，引入时间遗忘函数、用户偏好度、用户特征向量能较大地提高推荐准确度，尤其当邻居数目较大时，准确度提高更为明显。由此可见，综合考虑时间效应、用户偏好有效地突出了用户近期访问数据对生成推荐的重要性，结合用户特征向量，使推荐结果能更好地反映用户的当前兴趣。同时可以看出，口的取值对推荐准确度也有比较大的影响，口取值过大或过小都会对推推荐效果产生负面影响，当ａ＝０．８时，推荐结果较佳。

实验三对比本文提出的改进算法、传统的协同过滤算法、基于时间改进型协同过滤算法的推荐准确度。

从图６可以看出，本文算法与其他算法相比，推荐精度有一定程度的提高，尤其当邻居数目较大时，准确率提高更为明显。但最近邻居的选取对算法准确率有比较大的影响，其值过大或者过小都会对推推荐效果产生负面影响。本实验取邻居数目为３５到４５之间比较合适。

１０

１５

巨疆蔓兰至亟夏三阚

ＴＯＮ。，慧，。ｆ强。讪玉柏拍

图６不同邻居数目对推荐准确度的影响图

实验四测试本文提出的改进算法与传统的协同过滤算法、基于时间改进型协同过滤算法的时间性能（ｏｒ＝０．８，邻居数目＝３５，连续做５０次实验平均结果）。

表１本文改进算法与其他协同过滤在效率的比较

推荐策略ＭＣＴ

传统的协同过穗算法１５００６．３２（ｍｓ）基于时闻的协同过滤算法１５１９４．４５（ｍｓ）本文改进协同过滤算法

１５２０６．６５（ｍｓ）

从表１可以看出，本文提出的改进算法在效率上并没有明显的差距。从图３可以看到，本文算法采用了离线和在线

万方数据

９７．Ｐａｒｔ１（ｏｆ３）：１２８３－１２８８

Ｅｌｌ３ＫｕｂｏｔａＮ．ＦｕｋｕｄａＴ．Ｓｃｈｅｍａｒｅｐｒｅｓｅｎｔａｔｉｏｎｉｎ

ｖｉｒｕｓ－ｅｖｏｌｕｔｉｏ－

ｎａｒｙ

ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｋｎａｐｓａｃｋｐｒｏｂｌｅｍＥｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅＩＥＥＥ

Ｃｏｎｆｅｒｅｎｅｅ

ｏｎ

Ｅｖｏｌｕｔｉｏｎａｒｙ

Ｃｏｍｐｕｔａｔｉｏｎ，ＩＣ既

Ｍａｙ１９９８：８３４—８３９

［１２３焦李成，杜海峰，刘芳，等．免疫优化计算学习与识别［Ｍ］．北京：

科学出版社，２００６

计算相结合的方式，虽然引入了用户特征向量上的相似度计算和用户偏好度计算，二者的算法复杂度分别为０（ｍ）和Ｏ（珂２），但是用户数目理，和用户评价过商品数目啦都相对较小，所以对推荐的效率也没有明显的影响。

结束语针对协同过滤算法中存在的用户兴趣变化、用户项目间联系单一和缺乏用户特征信息的问题，本文提出了适应用户兴趣变化和基于用户特征的个性化推荐算法，在协同过滤算法的基础上，引入了时间遗忘函数、黏度函数、用户特征向量，改进了寻找最近邻居集合过程，综合考虑了时间效

应、用户特征和用户偏好程度，从而提高了寻找最近邻居的准确度。实验表明，本文提出的算法在一定程度上克服了传统协同过滤算法的弊端，能较大提高推荐的准确度，尤其在参数设置得当的情况下，算法性能有明显提高。

参考文献

Ｅ１］李聪，梁昌勇，董珂．基于项目类别相似性的协同过滤推荐算法

［Ｊ３．合肥工业大学学报：自然科学版，２００８（０３）

［２３彭德巍，胡斌．一种基于用户特征和时间的协同过滤算法ＥＪ］．武

汉理工大学学报，２００９（０３）

［３］杨怀珍，丛晓琪，刘枚莲．于时间加权的个性化推荐算法研究

［Ｊ］．计算机工程与科学，２００９（０６）

［４３郑先荣，曹先彬．线性逐步遗忘协同过滤算法的研究［Ｊ］．计算机

工程，２００７（０６）

［５］ＧｏｎｇＳｏｎ＿ｇｊｉｅ，ＣｈｅｎｇＧｎａｎｇｈｕａ．Ｍｉｎｉｎｇ

ＵｓｅｒＩｎｔｅｒｅｓｔＣｈａｎｇｅ

ｆｏｒＩｍｐｒｏｖｉｎｇＣｏｌｌａｂｏｒａｔｉｖｅ

Ｆｉｈｅｒｉｎｇ［Ｃ－Ｉ／／Ｉｎｔｅｌｌｉｇｅｎｔ

Ｉｎｆｏｒｍａ—

ｔｉｏｎＴｅｃｈｎｏｌｏｇｙＡｐｐｌｉｃａｔｉｏｎ２００８．ＳｅｃｏｎｄＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏ—ｓｌｕｍ．Ｖｏｌｕｍｅ３。ＤｅＧ２００８：２４—２７

［６３

赵智，冯卓楠．改进的基于相关相似性的协同过滤推荐算法［Ｊ］．

长春ｔ业大学学报：自然科学版，２００６（０４）

［７］ＸｉａＷｅｉｗｅｉ，Ｈｅ

Ｌｉａｎｇ，ＲｅｎＬｅｉ，ｅｔａ１．Ａｎｅｗｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅ－

ｒｉｎｇ

ａｐｐｒｏａｃｈｕｔｉｌｉｚｉｎｇｉｔｅｍ’ｓｐｏｐｕｌａｒｉｔｙ［Ｃ３／／ＩｎｄｕｓｔｒｉａｌＥｎｇｉ—

ｎｅｅｒｉｎｇａｎｄＥｎｇｉｎｅｅｒｉｎｇＭａｎａｇｅｍｅｎｔ．ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ—

ｆｅｒｅｎｃｅ，Ｄｅｃ．２００８：１４８０－１４８４

［８３

ＳｕＸｉａｏｙｕａｎ．ＫｈｏｓｈｇｏｆｔａａｒＴＭ．ＧｒｅｉｎｅｒＲＡＣｏｌｌａｂｏｒａｔｉｖｅ

ＦｉｌｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎ

ＶａｒｉａｎｃｅＡｎａｌｙｓｉｓｏｆＡｔｔｒｉｂｕｔｅｓ－

Ｖａｌｕｅ

Ｐｒｅｆｅｒｅｎｃｅ［Ｃ］／／ＩＥＥＥ／ＷＩＣ／ＡＣＭ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅ－

ｒｅｎｃｅ．Ｖｏｌｕｍｅ１。Ｄｅｃ．２００８：６３３－６３９

［９］Ｄａｉ

Ｙ，ＹｅＨｏｎｇｗｕ，Ｇｏｎｇ

Ｓｏｎｇｊｉｅ．ＰｅｒｓｏｎａｌｉｚｅｄＲｅｃｏｍｍｅｎｄａ—

ｔｉｏｎ

ＡｌｇｏｒｉｔｈｍＵｓｉｎｇＵｓｅｒＤｅｍｏｇｒａｐｈｙＩｎｆｏｒｍａｔｉｏｎ．Ｋｎｏｗ－

ｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄＤａｔａ

Ｍｉｎｉｎｇ［Ｃ］／／ＳｅｃｏｎｄＩｎｔｅｒｎａｔｉｏｎａｌ

Ｗｏｒｋｓｈｏｐ．Ｊａｎ．２００９：１００－１０３

［１０］ＧｏｎｇＳｏｎｇ－ｊｉｅ，ＹｅＨｏｎｇｗｕＣｏｍｂｉｎｉｎｇＭｅｍｏｒｙ—Ｂａｓｅｄａｎｄ

Ｍｏｄｅｌ—Ｂａｓｅｄ

ＣｏｌｌａｂｏｒａｔｉｖｅＦｉｌｔｅｒｉｎｇｉｎＲｅｃｏｍｍｅｎｄｅｒＳｙｓｔｅｍ

［ｃ］／／Ｃｉｒｃｕｉｔｓ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ

ａｎｄ

Ｓｙｓｔｅｍｓ．Ｐａｃｉｆｉｃ－ＡｓｉａＣｏｎ—

ｆｅｒｅｎｅｅ．２００９：６９０－６９３

［１１３张国忠．遗忘规律的探索与运用ＥＪ３．继续教育研究，２００２（０６）

［１２］王元明，熊伟．异常数据的检测方法ｌ－Ｊ３．重庆工学院学报：自然

科学版，２００９，２３（２）：８６—８９

２４３