[摘 要]随着电子商务的飞速发展,如何准确高效地提供给用户需要的信息变得越来越重要.在分析传统推荐机制的基础上,该文提出了一种混合推荐机制.该机制在向用户进行个性化产品推荐时,综合考虑了用户自身和其邻居用户对推荐的影响.在MovieLens上的实验证明,该文提出的这种算法在预测精度上较传统的推荐算法有很大的提高.
[关 键 词]矩阵分块信息项用户群
一、引言
面对电子商务新的商务模式,如何有效的缩短用户花费在浏览网页以发现他们需要的信息上的时间成为电子商务成败的一个关键问题.信息推荐机制是通过学习用户的兴趣和访问模式,逐渐了解用户的兴趣爱好,进而向用户推荐系统认为用户可能感兴趣的信息.推荐算法主要分为基于内容的推荐和协同推荐.
基于内容的推荐是根据用户以前的兴趣来推测用户以后的兴趣.协作推荐实现的思想是采用某种技术找到目标用户的最近邻居,然后根据最近邻居对目标项目的评分,产生推荐,用户评分数据可以用一个m*n阶矩阵A(m*n)来表示.
二、基于混合模式的推荐机制
该文提出的推荐算法综合考虑了用户自身兴趣对推荐的影响和其邻居用户对推荐的影响,前者是从基于内容的推荐中借鉴过来的思想,计算时,采用基于信息项的方法.后者是基于协作的推荐思想,根据邻居用户对目标项目的评分产生推荐.
1.基于内容的推荐
在用户-项目矩阵中,用户已评分的项目可以看作是用户自身的兴趣,这相当于基于内容推荐中用户的兴趣模型.在推荐时,系统首先计算项目之间的相似性,然后根据项目之间的相似性,来预测用户对未评分项目的评分.
2.基于合作的推荐
系统首先采用某种方法查找目标用户的最近邻居,然后根据邻居用户对目标项目的评价产生对目标用户的推荐.
(1)计算最近邻
假设目标用户为I,计算完I和其他用户的相似度后,计算公式如式1所示.按大小排序,选择前N个作为I的最近邻,这里涉及到N的取值问题.
式1
Ii,j:用户i和j共同评分过的项目集,Ri,c:用户i对项目c的评分,
:用户i对资源的平均评分.
(2)产生推荐
采用式2计算U对I的评分:
式2
:用户u对资源的平均评分,:用户m对项目i的评分,
:用户m对资源的平均评分,:用户u和m的相似度.
3.混合信息推荐机制
假设要度量用户I对项目j的兴趣程度,采用基于信息项的方法计算得到的评价值,记为Vi1,采用基于用户群的方法从行的角度计算得到的评价值记作Vi2,用户I的推荐计算公式如式3所示:
α、β为权重因子式3
三、实验及结果分析
实验采用的数据集是MovieLens.利用平均绝对误差(MAE)来衡量算法的预测精度,MAE越小说明系统的预测精度越高,实验结果如图所示.