Please wait a minute...
Advanced Search
现代图书情报技术  2015, Vol. 31 Issue (6): 20-26    DOI: 10.11925/infotech.1003-3513.2015.06.04
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
一种融合协同过滤和内容过滤的混合推荐方法
高虎明, 赵凤跃
天津财经大学商学院 天津 300222
A Hybrid Recommendation Method Combining Collaborative Filtering and Content Filtering
Gao Huming, Zhao Fengyue
Business School, Tianjin University of Finance & Economics, Tianjin 300222, China
全文: PDF(492 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

目的】探索协同过滤与内容过滤新的融合方法, 提高个性化推荐方法的推荐准确度。【方法】提出项目热度计算方法并对Pearson相关系数算法进行改进, 建立当前用户与其邻居的兴趣模型, 对邻居用户进行过滤, 由最终得到的可信邻居对当前用户进行推荐。【结果】在MovieLens 1M电影评分数据集上的实验结果表明, 提出的混合推荐方法推荐效度要好于现存的两种混合方法。【局限】在为用户建立兴趣模型时, 项目的不同标志性特征需要人为抽取, 且对于项目的标志性特征个数及其在用户的兴趣中所占的权重分配问题, 不同的研究者可能会有不同的见解。【结论】本文提出的混合推荐方法可有效提高个性化推荐的准确度。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
赵凤跃
高虎明
关键词 个性化推荐协同过滤内容过滤可信邻居项目热度兴趣模型    
Abstract

[Objective] This paper explores a new method combining two basic recommendation algorithms to improve the recommendation accuracy of the personalized recommendation method. [Methods] The trusted neighbors can be obtained by putting forward a calculation method of the project heat to optimize the algorithm of Pearson Correlation Coefficient and establishing the interest model for the current users and its neighbors. [Results] The experiment set in MovieLens 1M movie rating data shows that the hybrid recommendation method proposed in this paper can acquire better recommendation accuracy than the exist two kinds of hybrid recommendation methods. [Limitations] The unique characteristics of the projects need to be selected by different people who may have different opinions to the number of the characteristics and their weight distribution in the interest model. [Conclusions] The hybrid recommendation method proposed in this paper improves the recommendation accuracy of the personalized recommendation.

Key wordsPersonalized recommendation    Collaborative filtering    Content filtering    Trusted neighbors    Project heat    Interest model
收稿日期: 2014-12-22     
:  TP391  
通讯作者: 赵凤跃, ORCID: 0000-0001-9607-3367, E-mail: foreverzfy3@163.com。     E-mail: foreverzfy3@163.com
作者简介: 作者贡献声明: 高虎明, 赵凤跃: 提出研究思路, 设计研究方案, 论文最终版本修订; 赵凤跃: 进行实验, 采集、分析和清洗数据, 起草论文。
引用本文:   
高虎明, 赵凤跃. 一种融合协同过滤和内容过滤的混合推荐方法[J]. 现代图书情报技术, 2015, 31(6): 20-26.
Gao Huming, Zhao Fengyue. A Hybrid Recommendation Method Combining Collaborative Filtering and Content Filtering. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2015.06.04.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2015.06.04

[1] 刘建国, 周涛, 汪秉宏. 个性化推荐系统的研究进展 [J]. 自然科学进展, 2009, 19(1): 1-15. (Liu Jianguo, Zhou Tao, Wang Binghong. Research Progress of Personalized Recom­mendation System [J]. Natural Science Progress, 2009, 19 (1): 1-15.)
[2] 温梅. 个性化推荐中基于贝叶斯网络的用户兴趣模型研究[D]. 武汉: 华中师范大学, 2013. (Wen Mei. Research on Bayesian Network Based User Interest Model in Personalized Recommendation [D]. Wuhan: Central China Normal University, 2013.)
[3] 廉涛, 马军, 王帅强, 等. LDA-CF: 一种混合协同过滤方法 [J]. 中文信息学报, 2014, 28(2): 129-135. (Lian Tao, Ma Jun, Wang Shuaiqiang, et al. A Mixture Model for Collaborative Filtering [J]. Journal of Chinese Information Processing, 2014, 28 (2): 129-135.)
[4] 王海艳, 杨文彬, 王随昌, 等. 基于可信联盟的服务推荐方法 [J]. 计算机学报, 2014, 37(2): 301-311. (Wang Haiyan, Yang Wenbin, Wang Suichang, et al. A Service Recom­mendation Method Based on Trustworthy Community [J]. Chinese Journal of Computers, 2014, 37(2): 301-311.)
[5] 许智宏, 王宝莹. 基于项目综合相似度的协同过滤算法[J].计算机应用研究, 2014, 31(2): 398-400. (Xu Zhihong, Wang Baoying. Collaborative Filtering Algorithm Based on Item Complex Similarity [J]. Application Research of Computers, 2014, 31(2): 398-400.)
[6] 熊忠阳, 刘芹, 张玉芳, 等. 基于项目分类的协同过滤改进算法 [J]. 计算机应用研究, 2012, 29(2): 493-496. (Xiong Zhongyang, Liu Qin, Zhang Yufang, et al. Improved Algorithm of Collaborative Filtering Based on Item Classification [J]. Application Research of Computers, 2012, 29(2): 493-496.)
[7] 张慧颖, 薛福亮. 一种利用Vague 集理论改进的协同过滤推荐算法 [J]. 现代图书情报技术, 2012(3): 35-39. (Zhang Huiying, Xue Fuliang. An Improved Collaborative Filtering Recommendation Algorithm Based on Vague Sets Theory [J]. New Technology of Library and Information Service, 2012(3): 35-39.)
[8] 王明佳, 韩景倜, 韩松乔. 基于模糊聚类的协同过滤算法[J]. 计算机工程, 2012, 38(24): 50-52. (Wang Mingjia, Han Jingti, Han Songqiao. Collaborative Filtering Algorithm Based on Fuzzy Clustering [J]. Computer Engineering, 2012, 38(24): 50-52.)
[9] 饶俊阳, 贾爱霞, 冯岩松, 等. 基于本体结构的新闻个性化推荐[J]. 北京大学学报: 自然科学版, 2014, 50(1): 2-7. (Rao Junyang, Jia Aixia, Feng Yansong, et al. Ontology-based News Personalized Recommendation [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(1): 2-7.)
[10] Goossen F, Ijntema W, Frasincar F, et al. News Personaliza­tion Using the CF-IDF Semantic Recommender [C]. In: Proceedings of the 2011 International Conference on Web Intelligence, Mining and Semantics, Sogndal, Norway. 2011: 10-21.
[11] 曾春, 邢春晓, 周立柱.基于内容过滤的个性化搜索算法[J].软件学报, 2003, 14(5): 999-1004. (Zeng Chun, Xing Chunxiao, Zhou Lizhu. A Personalized Search Algorithm by Using Content-based Filtering [J]. Journal of Software, 2003, 14(5): 999-1004.)
[12] 曹毅. 基于内容和协同过滤的混合模式推荐技术研究[D]. 长沙: 中南大学, 2007. (Cao Yi. Research on a Hybrid Recommendation Model Based on Collaborative Filtering and Content Filtering [D]. Changsha: Central South University, 2007.)
[13] 李忠俊, 周启海, 帅青红. 一种基于内容和协同过滤同构化整合的推荐系统模型[J]. 计算机科学, 2009, 36(12): 142-145. (Li Zhongjun, Zhou Qihai, Shuai Qinghong. Recommender System Model Based on Isomorphic Integrated to Content-based and Collaborative Filtering [J]. Computer Science, 2009, 36(12): 142-145.)
[14] 陈天昊, 帅建梅, 朱明.一种基于协作过滤的电影推荐方法[J]. 计算机工程, 2014, 40(1): 55-58. (Chen Tianhao, Shuai Jianmei, Zhu Ming. A Film Recommendation Method Based on Collaborative Filtering [J]. Computer Engineering, 2014, 40(1): 55-58.)
[15] Jannach D, Zanker M, Felfernig A, et al. 推荐系统[M]. 蒋凡译. 北京: 人民邮电出版社, 2013: 9-86. (Jannach D, Zanker M, Felfernig A, et al. Recommendation System [M]. Translated by Jiang Fan. Beijing: People's Posts and Telecommunications Press, 2013: 9-86.)

[1] 张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[2] 叶佳鑫,熊回香. 基于标签的跨领域资源个性化推荐研究*[J]. 数据分析与知识发现, 2019, 3(2): 21-32.
[3] 李杰,杨芳,徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[4] 王道平,蒋中杨,张博卿. 基于灰色关联分析和时间因素的协同过滤算法*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[5] 王永,王永东,郭慧芳,周玉敏. 一种基于离散增量的项目相似性度量方法*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[6] 花凌锋,杨高明,王修君. 面向位置的多样性兴趣新闻推荐研究*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[7] 侯银秀,李伟卿,王伟军,张婷婷. 基于用户偏好与商品属性情感匹配的图书个性化推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 9-17.
[8] 薛福亮,刘君玲. 基于用户间信任关系改进的协同过滤推荐方法*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[9] 覃幸新,王荣波,黄孝喜,谌志群. 基于多权值的Slope One协同过滤算法*[J]. 数据分析与知识发现, 2017, 1(6): 65-71.
[10] 陈梅梅,薛康杰. 基于标签簇多构面信任关系的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(5): 94-101.
[11] 陈梅梅, 薛康杰. 基于改进张量分解模型的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(3): 38-45.
[12] 李道国,李连杰,申恩平. 基于用户评分时间改进的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(9): 65-69.
[13] 谭学清,张磊,黄翠翠,罗琳. 融合领域专家信任与相似度的协同过滤推荐算法研究*[J]. 现代图书情报技术, 2016, 32(7-8): 101-109.
[14] 王永,邓江洲,邓永恒,张璞. 基于项目概率分布的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(6): 73-79.
[15] 谢琪,崔梦天. 基于相似性群体的混合型Web服务推荐*[J]. 现代图书情报技术, 2016, 32(6): 80-87.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn