混合多元信息的个性化服务推荐算法研究

• 作 者: 崔睿宇
• 出 处: 西安石油大学
• 发表日期: 2020年12期
• 关键词: 个性化服务推荐 协同过滤 K-Means聚类 相似度优化

随着互联网和大数据技术的蓬勃发展,“信息过载”问题催生了大量的个性化服务推荐系统。由于协同过滤算法具有较高的推荐准确度且在工程应用领域易于实现,因此在推荐领域中得到了广泛应用。然而,协同过滤算法发展至今始终面临着数据稀疏性、冷启动和可扩展性问题等挑战,仅利用单一的用户评分信息难以解决这些问题。随着网络用户群体的飞速增长和信息技术的进步,衍生了大量的多元信息,诸如用户的人口统计学信息、商品信息、社交网络信息等,这些多元信息为算法的优化带来了契机。如何利用丰富的多元信息来解决协同过滤算法中存在的问题成为个性化推荐的一个研究热点。本文以矩阵缺失值填充、基于用户的协同过滤推荐和K-Means聚类三种算法为研究基础,分析现有改进算法存在的不足,在推荐算法各执行阶段融合多元信息,具体内容如下:针对推荐系统中存在的“哈利波特”问题,本文提出了一种融合商品流行度惩罚因子的用户相似度计量方式,加大对热门物品的惩罚力度,提高推荐精度;对于使用皮尔森相关系数进行相似度计算时产生的“过高估计”问题,在前人使用Jaccard相关系数进行修正的基础上进一步细化局部评分项和整体之间的关系,进一步提高推荐准确度。针对“冷启动”问题,本文算法引入用户的人口统计学信息,作为使用评分信息对两用户之间进行相似度计算时的加权补充,并且使得权值可以依照实际情况进行自主动态调节。当新用户首次使用推荐系统时,改进的算法可以依据目标用户的属性信息对其进行个性化推荐。针对用户-项目评分矩阵高度稀疏的问题,本文基于项目属性间相似性对评分矩阵进行了预填充。与传统的平均值和众数填充方式相比,基于项目属性相似度的缺失值填充在充分缓解矩阵稀疏性问题的基础上,兼顾了用户的个性化信息。此外,为了满足推荐系统对算法的实时性要求,本文采用了组合推荐策略,离线执行聚类算法,在线使用传统的协同过滤算法为目标用户提供推荐。最后,在公开的实验数据集MovieLens₁M和Movielens₁00K上,采用多维评价指标分别针对本文算法中的改进项逐一进行实验验证。最终实验结果表明,本文提出的两种改进服务推荐算法分别能够在一定程度上缓解上述问题,且相比于传统的协同过滤算法有更好地推荐性能。