Please wait a minute...
Advanced Search
现代图书情报技术  2016, Vol. 32 Issue (9): 65-69    DOI: 10.11925/infotech.1003-3513.2016.09.08
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于用户评分时间改进的协同过滤推荐算法*
李道国1,李连杰2(),申恩平2
1杭州电子科技大学信息工程学院 杭州 310018
2杭州电子科技大学管理学院 杭州 310018
New Collaborative Filtering Recommendation Algorithm Based on User Rating Time
Li Daoguo1,Li Lianjie2(),Shen Enping2
1School of Information Engineering, Hangzhou Dianzi University, Hangzhou 310018, China
2School of Management, Hangzhou Dianzi University, Hangzhou 310018, China
全文: PDF(456 KB)   HTML ( 35
输出: BibTeX | EndNote (RIS)      
摘要 

目的】改进基于用户的协同过滤算法以缓解因数据稀疏、用户共同评分稀少所导致的问题, 进而提高评分预测的精度。【方法】提出结合用户打分时间发现具有相似打分行为的用户, 并将用户评分方差相似性融入到相似度的计算中, 使得目标用户在最近邻的选取上更加合理。【结果】实验结果表明, 相较基于用户的协同过滤算法, 新算法的平均绝对误差降低约2%, 在一定程度上改善了推荐系统的推荐效果。【局限】该算法仅在MovieLens数据集上进行了实验测试, 还需要在其他数据集上进行检验。【结论】本文算法能够有效地提高推荐精度, 具有一定的可行性和现实意义。

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
李道国
李连杰
申恩平
关键词 协同过滤数据稀疏相似评分用户评分方差相似性最近邻    
Abstract

[Objective] This paper tries to solve the problems facing traditional collaborative filtering algorithm due to sparse data and few users’ common scores, and then improve the accuracy of the score prediction systems. [Methods] First, we identified users with similar scoring behaviors based on their scoring time. Second, we integrated the similarity of user score variance to the calculation of similarity. [Results] The new algorithm, which reduced the MAE by 2% compared to the traditional algorithm, improved the performance of recommendation system. [Limitations] The proposed algorithm was only examined with the MovieLens dataset, which needed to be expanded to other datasets. [Conclusions] The proposed algorithm can improve the effectiveness of recommendation systems.

Key wordsCollaborative filtering    Data sparsity    Similarity score    User rating variance    similarity Nearest neighbor
收稿日期: 2016-04-22     
基金资助:*本文系浙江省自然基金项目“技术知识特性、整合、知识能量与组织学习对企业间合作创新能力关联性研究”(项目编号: LY12G01002)的研究成果之一
引用本文:   
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.
Li Daoguo,Li Lianjie,Shen Enping. New Collaborative Filtering Recommendation Algorithm Based on User Rating Time. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2016.09.08.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2016.09.08
[1] 张莉, 秦桃, 腾丕强. 一种改进的基于用户聚类的协同过滤算法[J]. 情报科学, 2014, 32(10): 24-27.
[1] (Zhang Li, Qin Tao, Teng Piqiang.An Improved Collaborative Filtering Recmmendatiion Algorithm Based on User Clustering[J]. Information Science, 2014, 32(10): 24-27.)
[2] 方耀宁, 郭云飞, 丁雪涛, 等. 一种基于局部结构的改进奇异值分解推荐算法[J]. 电子与信息学报, 2013, 35(6): 1284-1289.
[2] (Fang Yaoning, Guo Yunfei, Ding Xuetao, et al.An Improved Singular Value Decomposition Recommender Algorithm Based on Local Structures[J]. Journal of Electronics & Information Technology, 2013, 35(6): 1284-1289.)
[3] 孙辉, 马跃, 杨海波, 等. 一种相似度改进的用户聚类协同过滤推荐算法[J]. 小型微型计算机系统, 2014, 35(9): 1967-1970.
[3] (Sun Hui, Ma Yue, Yang Haibo, et al.Collaborative Filtering Recommendation Algorithm by Optimizing Similarity and Clustering Users[J]. Journal of Chinese Computer Systems, 2014, 35(9): 1967-1970.)
[4] 高翔. 电子商务个性化推荐系统中协同过滤算法的研究[D]. 南京: 南京航空航天大学, 2011.
[4] (Gao Xiang.Research of Collaborative Filtering on Recommendation Systems for E-Commerce [D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2011.)
[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.
[5] (Xu Zhihong, Wang Baoying.Collaborative Filtering Recommendation Algorithm Based on Item Complex Similarity[J]. Application Research of Computers, 2014, 31(2): 398-400.)
[6] 文俊浩, 舒珊. 一种改进相似性度量的协同过滤推荐算法[J].计算机科学, 2014, 41(5): 68-71.
[6] (Wen Junhao, Shu Shan.Improves Collaborative Filtering Recommendation Algorithm of Similarity Measure[J]. Computer Science, 2014, 41(5): 68-71.)
[7] 严冬梅, 鲁城华. 基于用户兴趣度和特征的优化协同过滤推荐[J]. 计算机应用研究, 2012, 29(2): 497-500.
[7] (Yan Dongmei, Lu Chenghua.Optimized Collaborative Filtering Recommendation Algorithm Based on Users’ Interest Degree and Feature[J]. Application Research of Computers, 2012, 29(2): 497-500.)
[8] 赵雪. 基于用户兴趣的个性化协同过滤推荐算法研究[D]. 秦皇岛: 燕山大学, 2014.
[8] (Zhao Xue.The Personalized Collaborative Filtering Recommendation Algorithm Based on User Interest [D]. Qinhuangdao: Yanshan University, 2014.)
[1] 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.
[2] 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.
[3] 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.
[4] 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.
[5] 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.
[6] 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.
[7] 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.
[8] 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.
[9] 马莉. 一种利用用户学习树改进的协同过滤推荐方法[J]. 现代图书情报技术, 2016, 32(4): 72-80.
[10] 张群, 王红军, 王伦文. 词向量与LDA相融合的短文本分类方法*[J]. 数据分析与知识发现, 2016, 32(12): 27-35.
[11] 姜书浩, 张立毅, 张志鑫. 一种基于相对相似性提高推荐总体多样性的协同过滤算法[J]. 数据分析与知识发现, 2016, 32(12): 44-49.
[12] 吴应良, 姚怀栋, 李成安. 一种引入间接信任关系的改进协同过滤推荐算法[J]. 现代图书情报技术, 2015, 31(9): 38-45.
[13] 祝婷, 秦春秀, 李祖海. 基于用户分类的协同过滤个性化推荐方法研究[J]. 现代图书情报技术, 2015, 31(6): 13-19.
[14] 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.
[15] 盈艳, 曹妍, 牟向伟. 基于项目评分预测的混合式协同过滤推荐[J]. 现代图书情报技术, 2015, 31(6): 27-32.
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